WikiDer > Скрытое размещение Дирихле

Эта статья может быть слишком техническим для большинства читателей, чтобы понять. Пожалуйста помогите улучшить это к сделать понятным для неспециалистов, не снимая технических деталей. (Август 2017 г.) (Узнайте, как и когда удалить этот шаблон сообщения)

В обработка естественного языка, то скрытое размещение Дирихле (LDA) это генеративная статистическая модель что позволяет объяснить наборы наблюдений ненаблюдаемый группы, объясняющие, почему некоторые части данных похожи. Например, если наблюдения представляют собой слова, собранные в документы, предполагается, что каждый документ представляет собой смесь небольшого количества тем и что присутствие каждого слова связано с одной из тем документа. LDA является примером тематическая модель и принадлежит машинное обучение инструментарий и в более широком смысле искусственный интеллект ящик для инструментов.

История

В контексте популяционная генетика, LDA был предложен Дж. К. Притчард, М. Стивенс и П. Доннелли в 2000 г.^[1][2]

LDA применялась в машинное обучение к Дэвид Блей, Эндрю Нг и Майкл И. Джордан в 2003 г.^[3]

Обзор

Эволюционная биология и биомедицина

В эволюционной биологии и биомедицине модель используется для обнаружения наличия структурированной генетической изменчивости в группе людей. Модель предполагает, что аллели, принадлежащие исследуемым людям, происходят из различных существующих или прошлых популяций. Модель и различные алгоритмы вывода позволяют ученым оценивать частоты аллелей в этих исходных популяциях и происхождение аллелей, переносимых исследуемыми людьми. Исходные популяции можно интерпретировать постфактум с точки зрения различных эволюционных сценариев. В ассоциативные исследования, обнаружение наличия генетической структуры считается необходимым предварительным шагом во избежание сбивать с толку.

Инженерное дело

Одним из примеров LDA в инженерии является автоматическая классификация документов и оценка их соответствия различным темам.

В LDA каждый документ можно рассматривать как смесь различных тем, при этом считается, что каждый документ имеет набор тем, назначенных ему через LDA. Это идентично вероятностный латентно-семантический анализ (pLSA), за исключением того, что в LDA предполагается, что распределение тем имеет разреженный Дирихле прежний. Редкие априоры Дирихле кодируют интуицию, что документы охватывают лишь небольшой набор тем и что в темах часто используется лишь небольшой набор слов. На практике это приводит к лучшему устранению неоднозначности слов и более точному распределению документов по темам. LDA - это обобщение pLSA модель, которая эквивалентна LDA при равномерном априорном распределении Дирихле.^[4]

Например, в модели LDA могут быть темы, которые можно классифицировать как CAT_related и DOG_related. В теме есть вероятность появления различных слов, например молоко, мяу, и котенок, который может быть классифицирован и интерпретирован зрителем как "CAT_related". Естественно, слово Кот сам будет иметь высокую вероятность с учетом данной темы. В DOG_related Тема также имеет вероятность генерирования каждого слова: щенок, лаять, и кость может иметь высокую вероятность. Слова без особого отношения, например "the" (видеть служебное слово), будет иметь примерно равную вероятность между классами (или может быть помещен в отдельную категорию). Тема тоже не семантически ни эпистемологически строго определен. Выявляется на основе автоматического определения вероятности совпадения терминов. Лексическое слово может встречаться в нескольких темах с разной вероятностью, однако с разным типичным набором соседних слов в каждой теме.

Предполагается, что каждый документ охарактеризован определенным набором тем. Это похоже на стандартный мешок слов модель предположение, и делает отдельные слова обмениваемый.

Модель

Обозначение пластины представляющий модель LDA.

С участием обозначение на табличке, который часто используется для обозначения вероятностные графические модели (PGMs) зависимости между многими переменными могут быть кратко зафиксированы. Ящики представляют собой «тарелки», представляющие реплики, которые являются повторяющимися объектами. Внешняя пластина представляет документы, а внутренняя пластина представляет собой повторяющиеся позиции слов в данном документе; каждая позиция связана с выбором темы и слова. Имена переменных определены следующим образом:

M обозначает количество документов

N количество слов в данном документе (документ я имеет ${displaystyle N_ {i}}$ слова)

α является параметром Дирихле при распределении тем по документам

β - параметр апора Дирихле по тематическому распределению слов.

${displaystyle heta _ {i}}$ это распределение тем для документа я

${displaystyle varphi _ {k}}$ это распределение слов для темы k

${displaystyle z_ {ij}}$ это тема для j-е слово в документе я

${displaystyle w_ {ij}}$ это конкретное слово.

Обозначение таблички для LDA с распределением тематических слов по Дирихле

Тот факт, что W неактивен, означает, что слова ${displaystyle w_ {ij}}$ единственные наблюдаемые переменные, а остальные переменные скрытые переменные.Как предложено в исходной статье^[3], редкий априор Дирихле можно использовать для моделирования распределения тематических слов, следуя интуиции, что распределение вероятностей по словам в теме искажено, так что только небольшой набор слов имеет высокую вероятность. Полученная в результате модель является наиболее широко применяемым вариантом LDA на сегодняшний день. Обозначение на табличке для этой модели показано справа, где ${displaystyle K}$ обозначает количество тем и ${displaystyle varphi _ {1}, dots, varphi _ {K}}$ находятся ${displaystyle V}$-мерные векторы, хранящие параметры распределений тематических слов по Дирихле (${displaystyle V}$ количество слов в словаре).

Полезно подумать о сущностях, представленных ${displaystyle heta}$ и ${displaystyle varphi}$ в виде матриц, созданных путем декомпозиции исходной матрицы документа-слова, представляющей корпус моделируемых документов. С этой точки зрения ${displaystyle heta}$ состоит из строк, определяемых документами, и столбцов, определяемых темами, а ${displaystyle varphi}$ состоит из строк, определяемых темами, и столбцов, определяемых словами. Таким образом, ${displaystyle varphi _ {1}, dots, varphi _ {K}}$ относится к набору строк или векторов, каждый из которых является распределением по словам, и ${displaystyle heta _ {1}, dots, heta _ {M}}$относится к набору строк, каждая из которых представляет собой распределение по темам.

Генеративный процесс

Чтобы на самом деле сделать вывод о темах в корпусе, мы представляем процесс генерации, посредством которого создаются документы, чтобы мы могли сделать вывод или реконструировать их. Мы представляем себе порождающий процесс следующим образом. Документы представлены как случайные смеси по скрытым темам, где каждая тема характеризуется распределением по всем словам. LDA предполагает следующий процесс генерации корпуса ${displaystyle D}$ состоящий из ${displaystyle M}$ документы каждый длины ${displaystyle N_ {i}}$:

1. Выберите ${displaystyle heta _ {i} sim operatorname {Dir} (альфа)}$, куда ${displaystyle iin {1, dots, M}}$ и${displaystyle mathrm {Dir} (альфа)}$ это Распределение Дирихле с симметричным параметром ${displaystyle alpha}$ который обычно разрежен (${displaystyle alpha <1}$)

2. Выберите ${displaystyle varphi _ {k} sim operatorname {Dir} (eta)}$, куда ${displaystyle kin {1, dots, K}}$ и ${displaystyle eta}$ обычно редкий

3. Для каждой позиции слова ${displaystyle i, j}$, куда ${displaystyle iin {1, dots, M}}$, и ${displaystyle jin {1, dots, N_ {i}}}$

(а) Выберите тему ${displaystyle z_ {i, j} sim operatorname {Multinomial} (heta _ {i}).}$

(б) Выберите слово ${displaystyle w_ {i, j} sim operatorname {Multinomial} (varphi _ {z_ {i, j}}).}$

(Обратите внимание, что полиномиальное распределение здесь относится к полиномиальный только с одним испытанием, которое также известно как категориальное распределение.)

Длина ${displaystyle N_ {i}}$ рассматриваются как независимые от всех других переменных, генерирующих данные (${displaystyle w}$ и ${displaystyle z}$). Нижний индекс часто опускается, как на диаграммах, показанных здесь.

Определение

Формальное описание LDA выглядит следующим образом:

Определение переменных в модели

Переменная	Тип	Смысл
${displaystyle K}$	целое число	количество тем (например, 50)
${displaystyle V}$	целое число	количество слов в словаре (например, 50 000 или 1 000 000)
${displaystyle M}$	целое число	количество документов
${displaystyle N_ {d = 1dots M}}$	целое число	количество слов в документе d
${displaystyle N}$	целое число	общее количество слов во всех документах; сумма всех ${displaystyle N_ {d}}$ значения, т.е. ${displaystyle N = сумма _ {d = 1} ^ {M} N_ {d}}$
${displaystyle alpha _ {k = 1dots K}}$	положительный реальный	предшествующий вес темы k в документе; обычно одинаково для всех тем; обычно число меньше 1, например 0.1, чтобы предпочесть редкое распределение тем, т.е. несколько тем в документе
${displaystyle {oldsymbol {alpha}}}$	K-мерный вектор положительных вещественных чисел	сбор всех ${displaystyle alpha _ {k}}$ значения, рассматриваемые как один вектор
${displaystyle eta _ {w = 1dots V}}$	положительный реальный	предшествующий вес слова ш в теме; обычно одинаково для всех слов; обычно число намного меньше 1, например 0,001, чтобы отдавать предпочтение разреженному распределению слов, т. Е. Несколько слов на тему.
${displaystyle {oldsymbol {eta}}}$	V-мерный вектор положительных вещественных чисел	сбор всех ${displaystyle eta _ {w}}$ значения, рассматриваемые как один вектор
${displaystyle varphi _ {k = 1dots K, w = 1dots V}}$	вероятность (действительное число от 0 до 1)	вероятность слова ш происходит в теме k
${displaystyle {oldsymbol {varphi}} _ {k = 1dots K}}$	V-мерный вектор вероятностей, сумма которых должна быть равна 1	распределение слов по теме k
${displaystyle heta _ {d = 1dots M, k = 1dots K}}$	вероятность (действительное число от 0 до 1)	вероятность темы k встречается в документе d
${displaystyle {oldsymbol {heta}} _ {d = 1dots M}}$	K-мерный вектор вероятностей, сумма которых должна составлять 1	распределение тем в документе d
${displaystyle z_ {d = 1dots M, w = 1dots N_ {d}}}$	целое число от 1 до K	идентичность темы слова ш в документе d
${displaystyle mathbf {Z}}$	N-мерный вектор целых чисел от 1 до K	идентичность темы всех слов во всех документах
${displaystyle w_ {d = 1dots M, w = 1dots N_ {d}}}$	целое число от 1 до V	идентичность слова ш в документе d
${displaystyle mathbf {W}}$	N-мерный вектор целых чисел от 1 до V	идентичность всех слов во всех документах

Затем мы можем математически описать случайные величины следующим образом:

${displaystyle {egin {align} {oldsymbol {varphi}} _ {k = 1dots K} & sim operatorname {Dirichlet} _ {V} ({oldsymbol {eta}}) {oldsymbol {heta}} _ {d = 1dots M } & sim operatorname {Dirichlet} _ {K} ({oldsymbol {alpha}}) z_ {d = 1dots M, w = 1dots N_ {d}} & sim operatorname {Категориальный} _ {K} ({oldsymbol {heta}} _ {d}) w_ {d = 1dots M, w = 1dots N_ {d}} & sim operatorname {Category} _ {V} ({oldsymbol {varphi}} _ {z_ {dw}}) конец {выровнено}} }$

Вывод

Изучение различных распределений (набор тем, связанные с ними вероятности слов, тема каждого слова и конкретная смесь тем каждого документа) - это проблема статистические выводы.

Моделирование Монте-Карло

В оригинальной статье Pritchard et al.^[1] использовали аппроксимацию апостериорного распределения методом Монте-Карло. Альтернативное предложение методов вывода включает: Выборка Гиббса.^[5]

Вариационный байесовский

Исходная бумага ML использовала вариационный байесовский приближение апостериорное распределение;^[3]

Максимизация правдоподобия

Прямая оптимизация вероятности с помощью алгоритма релаксации блока оказывается быстрой альтернативой MCMC.^[6]

Неизвестное количество популяций / тем

На практике заранее не известно наиболее подходящее количество групп населения или тем. Его можно оценить путем оценки апостериорного распределения с помощью [Цепи Маркова с обратимым скачком Монте-Карло]^[7]

Альтернативные подходы

Альтернативные подходы включают распространение ожидания.^[8]

Недавние исследования были сосредоточены на ускорении вывода о скрытом распределении Дирихле для поддержки захвата огромного количества тем в большом количестве документов. Уравнение обновления свернутого пробоотборника Гиббса, упомянутое в предыдущем разделе, имеет естественную разреженность, которой можно воспользоваться. Интуитивно понятно, поскольку каждый документ содержит только подмножество тем ${displaystyle K_ {d}}$, и слово также появляется только в подмножестве тем ${displaystyle K_ {w}}$, приведенное выше уравнение обновления можно переписать, чтобы воспользоваться этой разреженностью.^[9]

${displaystyle p (Z_ {d, n} = k) propto {frac {alpha eta} {C_ {k} ^ {например, n} + V eta}} + {frac {C_ {k} ^ {d} eta} { C_ {k} ^ {например, n} + V eta}} + {frac {C_ {k} ^ {w} (alpha + C_ {k} ^ {d})} {C_ {k} ^ {eg n} + V eta}}}$

В этом уравнении у нас есть три члена, из которых два редкие, а другой маленький. Мы называем эти термины ${displaystyle a, b}$ и ${displaystyle c}$ соответственно. Теперь, если мы нормализуем каждый член, суммируя по всем темам, мы получим:

${displaystyle A = sum _ {k = 1} ^ {K} {frac {alpha eta} {C_ {k} ^ {например, n} + V eta}}}$

${displaystyle B = sum _ {k = 1} ^ {K} {frac {C_ {k} ^ {d} eta} {C_ {k} ^ {например, n} + V eta}}}$

${displaystyle C = sum _ {k = 1} ^ {K} {frac {C_ {k} ^ {w} (alpha + C_ {k} ^ {d})} {C_ {k} ^ {например, n} + V eta}}}$

Здесь мы видим, что ${displaystyle B}$ представляет собой совокупность тем, которые появляются в документе ${displaystyle d}$, и ${displaystyle C}$ также является редким обобщением тем, что слово ${displaystyle w}$ назначается для всего корпуса. ${displaystyle A}$ с другой стороны, плотный, но из-за малых значений ${displaystyle alpha}$ & ${displaystyle eta}$, значение очень мало по сравнению с двумя другими членами.

Теперь, при отборе темы, если мы выберем случайную величину равномерно из ${displaystyle ssim U (s | середина A + B + C)}$, мы можем проверить, в какое ведро приземляется наш образец. Поскольку ${displaystyle A}$ мала, вряд ли мы попадем в это ведро; однако, если мы попадаем в это ведро, выбор темы требует ${displaystyle O (K)}$ время (то же самое, что и оригинальный сэмплер Collapsed Gibbs). Однако, если мы попадаем в две другие группы, нам нужно будет проверить только подмножество тем, если мы будем вести учет разреженных тем. Тема может быть выбрана из ${displaystyle B}$ ведро в ${displaystyle O (K_ {d})}$ время, и тема может быть выбрана из ${displaystyle C}$ ведро в ${displaystyle O (K_ {w})}$ время, когда ${displaystyle K_ {d}}$ и ${displaystyle K_ {w}}$ обозначает количество тем, назначенных текущему документу и текущему типу слова соответственно.

Обратите внимание, что после выборки каждой темы обновление этих сегментов является основным ${displaystyle O (1)}$ арифметические операции.

Аспекты вычислительных деталей

Ниже приводится вывод уравнений для свернутая выборка Гиббса, что значит ${displaystyle varphi}$s и ${displaystyle heta}$s будут интегрированы. Для простоты в этом выводе предполагается, что все документы имеют одинаковую длину. ${displaystyle N_ {}}$. Вывод также действителен, если длина документа различается.

Согласно модели, полная вероятность модели составляет:

${displaystyle P ({oldsymbol {W}}, {oldsymbol {Z}}, {oldsymbol {heta}}, {oldsymbol {varphi}}; alpha, eta) = prod _ {i = 1} ^ {K} P ( varphi _ {i}; eta) prod _ {j = 1} ^ {M} P (heta _ {j}; alpha) prod _ {t = 1} ^ {N} P (Z_ {j, t} mid heta _ {j}) P (W_ {j, t} mid varphi _ {Z_ {j, t}}),}$

где жирным шрифтом переменные обозначают векторную версию переменных. Первый, ${displaystyle {oldsymbol {varphi}}}$ и ${displaystyle {oldsymbol {heta}}}$ должны быть интегрированы.

${displaystyle {egin {align} & P ({oldsymbol {Z}}, {oldsymbol {W}}; alpha, eta) = int _ {oldsymbol {heta}} int _ {oldsymbol {varphi}} P ({oldsymbol {W }}, {oldsymbol {Z}}, {oldsymbol {heta}}, {oldsymbol {varphi}}; alpha, eta), d {oldsymbol {varphi}}, d {oldsymbol {heta}} = {} & int _ {oldsymbol {varphi}} prod _ {i = 1} ^ {K} P (varphi _ {i}; eta) prod _ {j = 1} ^ {M} prod _ {t = 1} ^ {N} P (W_ {j, t} mid varphi _ {Z_ {j, t}}), d {oldsymbol {varphi}} int _ {oldsymbol {heta}} prod _ {j = 1} ^ {M} P (heta _ {j}; alpha) prod _ {t = 1} ^ {N} P (Z_ {j, t} mid heta _ {j}), d {oldsymbol {heta}}. конец {выровнено}}}$

Все ${displaystyle heta}$независимы друг от друга и одинаковы для всех ${displaystyle varphi}$с. Так что мы можем лечить каждого ${displaystyle heta}$ и каждый ${displaystyle varphi}$ раздельно. Сейчас мы сосредоточимся только на ${displaystyle heta}$ часть.

${displaystyle int _ {oldsymbol {heta}} prod _ {j = 1} ^ {M} P (heta _ {j}; alpha) prod _ {t = 1} ^ {N} P (Z_ {j, t} mid heta _ {j}), d {oldsymbol {heta}} = prod _ {j = 1} ^ {M} int _ {heta _ {j}} P (heta _ {j}; alpha) prod _ {t = 1} ^ {N} P (Z_ {j, t} mid heta _ {j}), d heta _ {j}.}$

В дальнейшем мы можем сосредоточиться только на одном ${displaystyle heta}$ в дальнейшем:

${displaystyle int _ {heta _ {j}} P (heta _ {j}; alpha) prod _ {t = 1} ^ {N} P (Z_ {j, t} mid heta _ {j}), d heta _ {j}.}$

Собственно, это скрытая часть модели для ${displaystyle j ^ {th}}$ документ. Теперь мы заменяем вероятности в приведенном выше уравнении на выражение истинного распределения, чтобы записать явное уравнение.

${displaystyle int _ {heta _ {j}} P (heta _ {j}; alpha) prod _ {t = 1} ^ {N} P (Z_ {j, t} mid heta _ {j}), d heta _ {j} = int _ {heta _ {j}} {frac {Гамма слева (сумма _ {i = 1} ^ {K} alpha _ {i} ight)} {prod _ {i = 1} ^ {K } Гамма (альфа _ {i})}} prod _ {i = 1} ^ {K} heta _ {j, i} ^ {alpha _ {i} -1} prod _ {t = 1} ^ {N} P (Z_ {j, t} mid heta _ {j}), d heta _ {j}.}$

Позволять ${displaystyle n_ {j, r} ^ {i}}$ быть количеством токенов слов в ${displaystyle j ^ {th}}$ документ с тем же символом слова ( ${displaystyle r ^ {th}}$ слово в словаре) присвоено ${displaystyle i ^ {th}}$ тема. Так, ${displaystyle n_ {j, r} ^ {i}}$ трехмерный. Если какое-либо из трех измерений не ограничено конкретным значением, мы используем точку в скобках ${displaystyle (cdot)}$ отметить. Например, ${displaystyle n_ {j, (cdot)} ^ {i}}$ обозначает количество токенов слов в ${displaystyle j ^ {th}}$ документ, закрепленный за ${displaystyle i ^ {th}}$ тема. Таким образом, большую правую часть приведенного выше уравнения можно переписать как:

${displaystyle prod _ {t = 1} ^ {N} P (Z_ {j, t} mid heta _ {j}) = prod _ {i = 1} ^ {K} heta _ {j, i} ^ {n_ {j, (cdot)} ^ {i}}.}$

Итак ${displaystyle heta _ {j}}$ формулу интегрирования можно изменить на:

${displaystyle int _ {heta _ {j}} {frac {Гамма слева (сумма _ {i = 1} ^ {K} alpha _ {i} ight)} {prod _ {i = 1} ^ {K} Гамма ( alpha _ {i})}} prod _ {i = 1} ^ {K} heta _ {j, i} ^ {alpha _ {i} -1} prod _ {i = 1} ^ {K} heta _ { j, i} ^ {n_ {j, (cdot)} ^ {i}}, d heta _ {j} = int _ {heta _ {j}} {frac {Гамма слева (сумма _ {i = 1} ^ {K} alpha _ {i} ight)} {prod _ {i = 1} ^ {K} Gamma (alpha _ {i})}} prod _ {i = 1} ^ {K} heta _ {j, i } ^ {n_ {j, (cdot)} ^ {i} + alpha _ {i} -1}, d heta _ {j}.}$

Ясно, что уравнение внутри интегрирования имеет тот же вид, что и уравнение Распределение Дирихле. Согласно Распределение Дирихле,

${displaystyle int _ {heta _ {j}} {frac {Гамма слева (сумма _ {i = 1} ^ {K} n_ {j, (cdot)} ^ {i} + alpha _ {i} ight)} { prod _ {i = 1} ^ {K} Гамма (n_ {j, (cdot)} ^ {i} + alpha _ {i})}} prod _ {i = 1} ^ {K} heta _ {j, i} ^ {n_ {j, (cdot)} ^ {i} + alpha _ {i} -1}, d heta _ {j} = 1.}$

Таким образом,

${displaystyle {egin {align} & int _ {heta _ {j}} P (heta _ {j}; alpha) prod _ {t = 1} ^ {N} P (Z_ {j, t} mid heta _ {j }), d heta _ {j} = int _ {heta _ {j}} {frac {Гамма слева (сумма _ {i = 1} ^ {K} alpha _ {i} ight)} {prod _ {i = 1} ^ {K} Гамма (альфа _ {i})}} prod _ {i = 1} ^ {K} heta _ {j, i} ^ {n_ {j, (cdot)} ^ {i} + альфа _ {i} -1}, d heta _ {j} [8pt] = {} & {frac {Гамма слева (сумма _ {i = 1} ^ {K} alpha _ {i} ight)} {prod _ {i = 1} ^ {K} Гамма (альфа _ {i})}} {frac {prod _ {i = 1} ^ {K} Гамма (n_ {j, (cdot)} ^ {i} + alpha _ {i})} {Гамма слева (сумма _ {i = 1} ^ {K} n_ {j, (cdot)} ^ {i} + alpha _ {i} ight)}} int _ {heta _ {j} } {frac {Гамма слева (сумма _ {i = 1} ^ {K} n_ {j, (cdot)} ^ {i} + alpha _ {i} ight)} {prod _ {i = 1} ^ {K } Гамма (n_ {j, (cdot)} ^ {i} + alpha _ {i})}} prod _ {i = 1} ^ {K} heta _ {j, i} ^ {n_ {j, (cdot )} ^ {i} + alpha _ {i} -1}, d heta _ {j} [8pt] = {} & {frac {Гамма слева (сумма _ {i = 1} ^ {K} alpha _ { i} ight)} {prod _ {i = 1} ^ {K} Gamma (alpha _ {i})}} {frac {prod _ {i = 1} ^ {K} Gamma (n_ {j, (cdot) } ^ {i} + alpha _ {i})} {Гамма слева (сумма _ {i = 1} ^ {K} n_ {j, (cdot)} ^ {i} + alpha _ {i} ight)}} .end {выровнено}}}$

Теперь обратим внимание на ${displaystyle {oldsymbol {varphi}}}$ часть. Собственно, вывод ${displaystyle {oldsymbol {varphi}}}$ часть очень похожа на ${displaystyle {oldsymbol {heta}}}$ часть. Здесь мы только перечисляем этапы вывода:

${displaystyle {egin {align} & int _ {oldsymbol {varphi}} prod _ {i = 1} ^ {K} P (varphi _ {i}; eta) prod _ {j = 1} ^ {M} prod _ { t = 1} ^ {N} P (W_ {j, t} mid varphi _ {Z_ {j, t}}), d {oldsymbol {varphi}} [8pt] = {} & prod _ {i = 1} ^ {K} int _ {varphi _ {i}} P (varphi _ {i}; eta) prod _ {j = 1} ^ {M} prod _ {t = 1} ^ {N} P (W_ {j , t} mid varphi _ {Z_ {j, t}}), dvarphi _ {i} [8pt] = {} & prod _ {i = 1} ^ {K} int _ {varphi _ {i}} {frac {Гамма слева (сумма _ {r = 1} ^ {V} eta _ {r} ight)} {prod _ {r = 1} ^ {V} Gamma (eta _ {r})}} prod _ {r = 1} ^ {V} varphi _ {i, r} ^ {eta _ {r} -1} prod _ {r = 1} ^ {V} varphi _ {i, r} ^ {n _ {(cdot), r } ^ {i}}, dvarphi _ {i} [8pt] = {} & prod _ {i = 1} ^ {K} int _ {varphi _ {i}} {frac {Гамма слева (сумма _ {r = 1} ^ {V} eta _ {r} ight)} {prod _ {r = 1} ^ {V} Gamma (eta _ {r})}} prod _ {r = 1} ^ {V} varphi _ { i, r} ^ {n _ {(cdot), r} ^ {i} + eta _ {r} -1}, dvarphi _ {i} [8pt] = {} & prod _ {i = 1} ^ {K } {frac {Гамма слева (сумма _ {r = 1} ^ {V} eta _ {r} ight)} {prod _ {r = 1} ^ {V} Gamma (eta _ {r})}} {frac {prod _ {r = 1} ^ {V} Гамма (n _ {(cdot), r} ^ {i} + eta _ {r})} {Гамма слева (сумма _ {r = 1} ^ {V} n_ {(cdot), r} ^ {i} + eta _ {r} ight)}}. конец {выровнено}}}$

Для наглядности запишем окончательное уравнение с обоими ${displaystyle {oldsymbol {phi}}}$ и ${displaystyle {oldsymbol {heta}}}$ интегрировано:

${displaystyle P ({oldsymbol {Z}}, {oldsymbol {W}}; alpha, eta) = prod _ {j = 1} ^ {M} {frac {Gamma left (sum _ {i = 1} ^ {K } alpha _ {i} ight)} {prod _ {i = 1} ^ {K} Gamma (alpha _ {i})}} {frac {prod _ {i = 1} ^ {K} Gamma (n_ {j , (cdot)} ^ {i} + alpha _ {i})} {Гамма слева (сумма _ {i = 1} ^ {K} n_ {j, (cdot)} ^ {i} + alpha _ {i} ight)}} imes prod _ {i = 1} ^ {K} {frac {Гамма слева (сумма _ {r = 1} ^ {V} eta _ {r} ight)} {prod _ {r = 1} ^ {V} Гамма (eta _ {r})}} {frac {prod _ {r = 1} ^ {V} Gamma (n _ {(cdot), r} ^ {i} + eta _ {r})} { Гамма слева (сумма _ {r = 1} ^ {V} n _ {(cdot), r} ^ {i} + eta _ {r} ight)}}.}$

Здесь цель Гиббса Сэмплинга - аппроксимировать распределение ${displaystyle P ({oldsymbol {Z}} mid {oldsymbol {W}}; alpha, eta)}$. С ${displaystyle P ({oldsymbol {W}}; альфа, эта)}$ неизменна для любого из Z, уравнения Гиббса-семплинга могут быть получены из ${displaystyle P ({oldsymbol {Z}}, {oldsymbol {W}}; alpha, eta)}$ прямо. Ключевым моментом является получение следующей условной вероятности:

${displaystyle P (Z _ {(m, n)} mid {oldsymbol {Z _ {- (m, n)}}}}, {oldsymbol {W}}; альфа, эта) = {frac {P (Z _ {(m, n)}, {oldsymbol {Z _ {- (m, n)}}}, {oldsymbol {W}}; альфа, эта)} {P ({oldsymbol {Z _ {- (m, n)}}}, { oldsymbol {W}}; альфа, эта)}},}$

куда ${displaystyle Z _ {(m, n)}}$ обозначает ${displaystyle Z}$ скрытая переменная ${displaystyle n ^ {th}}$ слово токен в ${displaystyle m ^ {th}}$ документ. И далее мы предполагаем, что его словесным символом является ${displaystyle v ^ {th}}$ слово в словаре. ${displaystyle {oldsymbol {Z _ {- (m, n)}}}}$ обозначает все ${displaystyle Z}$с, но ${displaystyle Z _ {(m, n)}}$. Обратите внимание, что сэмплированию Гиббса необходимо только выбрать значение для ${displaystyle Z _ {(m, n)}}$, согласно указанной выше вероятности, точное значение

${displaystyle Pleft (Z_ {m, n} mid {oldsymbol {Z _ {- (m, n)}}}, {oldsymbol {W}}; alpha, eta ight)}$

но отношения между вероятностями, которые ${displaystyle Z _ {(m, n)}}$ может иметь значение. Итак, приведенное выше уравнение можно упростить как:

${displaystyle {egin {выровнено} P (& Z _ {(m, n)} = vmid {oldsymbol {Z _ {- (m, n)}}}, {oldsymbol {W}}; alpha, eta) [8pt] & propto P (Z _ {(m, n)} = v, {oldsymbol {Z _ {- (m, n)}}}, {oldsymbol {W}}; alpha, eta) [8pt] & = left ({frac { Гамма слева (сумма _ {i = 1} ^ {K} alpha _ {i} ight)} {prod _ {i = 1} ^ {K} Gamma (alpha _ {i})}} ight) ^ {M} prod _ {jeq m} {frac {prod _ {i = 1} ^ {K} Гамма слева (n_ {j, (cdot)} ^ {i} + alpha _ {i} ight)} {Гамма слева (сумма _ {i = 1} ^ {K} n_ {j, (cdot)} ^ {i} + alpha _ {i} ight)}} left ({frac {Gamma left (sum _ {r = 1} ^ {V}) eta _ {r} ight)} {prod _ {r = 1} ^ {V} Gamma (eta _ {r})}} ight) ^ {K} prod _ {i = 1} ^ {K} prod _ { req v} Гамма слева (n _ {(cdot), r} ^ {i} + eta _ {r} ight) {frac {prod _ {i = 1} ^ {K} Гамма слева (n_ {m, (cdot) } ^ {i} + alpha _ {i} ight)} {Гамма слева (сумма _ {i = 1} ^ {K} n_ {m, (cdot)} ^ {i} + alpha _ {i} ight)} } prod _ {i = 1} ^ {K} {frac {Гамма слева (n _ {(cdot), v} ^ {i} + eta _ {v} ight)} {Гамма слева (сумма _ {r = 1} ^ {V} n _ {(cdot), r} ^ {i} + eta _ {r} ight)}} [8pt] & propto {frac {prod _ {i = 1} ^ {K} Гамма слева (n_ { m, (cdot)} ^ {i} + alpha _ {i} ight)} {Гамма слева (сумма _ {i = 1} ^ {K} n_ {m, (cdot)} ^ {i} + alpha _ { i} ight)}} pro d _ {i = 1} ^ {K} {frac {Гамма слева (n _ {(cdot), v} ^ {i} + eta _ {v} ight)} {Гамма слева (сумма _ {r = 1} ^ {V} n _ {(cdot), r} ^ {i} + eta _ {r} ight)}} [8pt] & propto prod _ {i = 1} ^ {K} Гамма слева (n_ {m, (cdot )} ^ {i} + alpha _ {i} ight) prod _ {i = 1} ^ {K} {frac {Gamma left (n _ {(cdot), v} ^ {i} + eta _ {v} ight )} {Гамма слева (сумма _ {r = 1} ^ {V} n _ {(cdot), r} ^ {i} + eta _ {r} ight)}}. Конец {выровнено}}}$

Наконец, пусть ${displaystyle n_ {j, r} ^ {i, - (m, n)}}$ иметь то же значение, что и ${displaystyle n_ {j, r} ^ {i}}$ но с ${displaystyle Z _ {(m, n)}}$ не входит. Вышеупомянутое уравнение можно еще больше упростить, используя свойство гамма-функция. Сначала мы разбиваем суммирование, а затем снова объединяем его, чтобы получить ${displaystyle k}$-независимое суммирование, которое можно было отбросить:

${displaystyle {egin {align} & propto prod _ {ieq k} Гамма слева (n_ {m, (cdot)} ^ {i, - (m, n)} + alpha _ {i} ight) prod _ {ieq k} {frac {Гамма слева (n _ {(cdot), v} ^ {i, - (m, n)} + eta _ {v} ight)} {Гамма слева (сумма _ {r = 1} ^ {V} n_ {(cdot), r} ^ {i, - (m, n)} + eta _ {r} ight)}} Гамма слева (n_ {m, (cdot)} ^ {k, - (m, n)} + alpha _ {k} + 1ight) {frac {Гамма слева (n _ {(cdot), v} ^ {k, - (m, n)} + eta _ {v} + 1ight)} {Гамма слева (сумма _ {r = 1} ^ {V} n _ {(cdot), r} ^ {k, - (m, n)} + eta _ {r} + 1ight)}} [8pt] & = prod _ {ieq k } Гамма слева (n_ {m, (cdot)} ^ {i, - (m, n)} + alpha _ {i} ight) prod _ {ieq k} {frac {Гамма слева (n _ {(cdot), v } ^ {i, - (m, n)} + eta _ {v} ight)} {Гамма слева (сумма _ {r = 1} ^ {V} n _ {(cdot), r} ^ {i, - ( m, n)} + eta _ {r} ight)}} Гамма слева (n_ {m, (cdot)} ^ {k, - (m, n)} + alpha _ {k} ight) {frac {Гамма слева (n _ {(cdot), v} ^ {k, - (m, n)} + eta _ {v} ight)} {Гамма слева (сумма _ {r = 1} ^ {V} n _ {(cdot), r} ^ {k, - (m, n)} + eta _ {r} ight)}} left (n_ {m, (cdot)} ^ {k, - (m, n)} + альфа _ {k} + 1ight) {frac {n _ {(cdot), v} ^ {k, - (m, n)} + eta _ {v} +1} {sum _ {r = 1} ^ {V} n _ {(cdot ), r} ^ {k, - (m, n)} + eta _ {r} +1}} [8pt] & = prod _ {i} Гамма слева (n_ {m, (cdot)} ^ {i , - (м, n)} + alpha _ {i} ight) prod _ {i} {frac {Гамма слева (n _ {(cdot), v} ^ {i, - (m, n)} + eta _ {v} ight)} {Гамма слева (сумма _ {r = 1} ^ {V} n _ {(cdot), r} ^ {i, - (m, n)} + eta _ {r} ight)}} слева (n_ {m, (cdot)} ^ {k, - (m, n)} + alpha _ {k} + 1ight) {frac {n _ {(cdot), v} ^ {k, - (m, n)} + eta _ { v} +1} {сумма _ {r = 1} ^ {V} n _ {(cdot), r} ^ {k, - (m, n)} + eta _ {r} +1}} [8pt] & propto left (n_ {m, (cdot)} ^ {k, - (m, n)} + alpha _ {k} + 1ight) {frac {n _ {(cdot), v} ^ {k, - (m, n)} + eta _ {v} +1} {sum _ {r = 1} ^ {V} n _ {(cdot), r} ^ {k, - (m, n)} + eta _ {r} + 1}} конец {выровнен}}}$

Обратите внимание, что та же формула выводится в статье о Дирихле-полиномиальное распределение, как часть более общего обсуждения интеграции Распределение Дирихле приоры из Байесовская сеть.

Связанные проблемы

Связанные модели

Тематическое моделирование - классическое решение проблемы поиск информации использование связанных данных и семантических веб-технологий ^[10]. Связанные модели и методы, среди прочего, скрытое семантическое индексирование, независимый компонентный анализ, вероятностное латентно-семантическое индексирование, неотрицательная матричная факторизация, и Гамма-пуассоновское распределение.

Модель LDA очень модульная и поэтому может быть легко расширена. Основная область интересов - моделирование отношений между темами. Это достигается за счет использования другого распределения на симплексе вместо Дирихле. Коррелированная тематическая модель^[11] следует этому подходу, создавая структуру корреляции между темами с помощью логистическое нормальное распределение вместо Дирихле. Другое расширение - иерархический LDA (hLDA),^[12] где темы объединены в иерархию с помощью вложенных Китайский ресторанный процесс, структура которого узнается из данных. LDA также может быть расширено до корпуса, в котором документ включает два типа информации (например, слова и имена), как в LDA-двойная модель.^[13]Непараметрические расширения LDA включают иерархический процесс Дирихле смешанная модель, которая позволяет неограниченному количеству тем и изучать их на основе данных.

Как отмечалось ранее, pLSA похож на LDA. Модель LDA - это, по сути, байесовская версия модели pLSA. Байесовская формулировка обычно лучше работает с небольшими наборами данных, потому что байесовские методы позволяют избежать переобучения данных. Для очень больших наборов данных результаты двух моделей имеют тенденцию сходиться. Одно отличие состоит в том, что pLSA использует переменную ${displaystyle d}$ для представления документа в обучающей выборке. Итак, в pLSA, когда представлен документ, который модель не видела раньше, мы исправляем ${displaystyle Pr (wmid z)}$- вероятность слов по темам - быть тем, что было изучено из обучающей выборки, и использовать тот же алгоритм EM для вывода ${displaystyle Pr (zmid d)}$- распределение тем в ${displaystyle d}$. Блей утверждает, что этот шаг является обманом, поскольку вы, по сути, перестраиваете модель в соответствии с новыми данными.

Пространственные модели

В эволюционной биологии часто естественно предположить, что географическое положение наблюдаемых особей несут некоторую информацию об их происхождении. Это основа различных моделей генетических данных с географической привязкой.^[7][14]

Варианты LDA использовались для автоматического разделения естественных изображений на категории, такие как «спальня» или «лес», путем обработки изображения как документа, а небольших участков изображения - как слов;^[15] одна из вариаций называется Пространственное скрытое размещение Дирихле.^[16]

Смотрите также

• Вариационные байесовские методы
• Распределение патинко
• tf-idf
• Infer.NET

Рекомендации

внешняя ссылка

Эта статья использование внешняя ссылка может не следовать политикам или рекомендациям Википедии. Пожалуйста улучшить эту статью путем удаления излишний или неприличный внешние ссылки и преобразование полезных ссылок, где это необходимо, в ссылки на сноски. (Июнь 2016) (Узнайте, как и когда удалить этот шаблон сообщения)

• jLDADMM Пакет Java для моделирования тем на обычных или коротких текстах. jLDADMM включает реализации тематической модели LDA и одна тема на документ Модель полиномиальной смеси Дирихле. jLDADMM также предоставляет реализацию для оценки кластеризации документов для сравнения тематических моделей.
• STTM Пакет Java для моделирования коротких текстовых тем (https://github.com/qiang2100/STTM). STTM включает следующие алгоритмы: Полиномиальная смесь Дирихле (DMM) на конференции KDD2014, Тематическая модель Битерма (BTM) в журнале TKDE2016, Сетевая тематическая модель Word (WNTM) в журнале KAIS2018, Тематическая модель на основе псевдодокументов (PTM) на конференции KDD2016 , Тематическая модель на основе самоагрегации (SATM) на конференции IJCAI2015, (ETM) на конференции PAKDD2017, Обобщенная модель полиномиальной смеси Дирихле (GPU-DMM) на основе обобщенной урны Поля (GPU) на конференции SIGIR2016, Generalized P´olya Urn (GPU) ) основанная на Пуассоне модель полиномиальной смеси Дирихле (GPU-PDMM) в журнале TIS2017 и модель скрытых функций с DMM (LF-DMM) в журнале TACL2015. STTM также включает шесть коротких текстовых корпусов для оценки. STTM представляет три аспекта о том, как оценивать производительность алгоритмов (то есть согласованность темы, кластеризацию и классификацию).
• Лекция, в которой рассматриваются некоторые обозначения в этой статье: Видеолекция по LDA и тематическому моделированию Дэвида Блея или та же лекция на YouTube
• Библиография LDA Д. Мимно Исчерпывающий список ресурсов, связанных с LDA (включая документы и некоторые реализации)
• Gensim, Python +NumPy реализация онлайн-LDA для входов, размер которых превышает доступную RAM.
• тематические модели и lda два р пакеты для LDA-анализа.
• «Анализ текста с помощью R», включая методы LDA, видеопрезентация к собранию группы пользователей R в Лос-Анджелесе в октябре 2011 г.
• МОЛОТОК Пакет на основе Java с открытым исходным кодом от Массачусетского университета в Амхерсте для тематического моделирования с помощью LDA также имеет независимо разработанный графический интерфейс, Инструмент тематического моделирования
• LDA в Mahout реализация LDA с использованием Уменьшение карты на Hadoop Платформа
• Учебное пособие по скрытому распределению Дирихле (LDA) для инфраструктуры машинных вычислений Infer.NET Платформа машинного обучения Microsoft Research C #
• LDA в Spark: Начиная с версии 1.3.0, Apache Spark также имеет реализацию LDA
• LDA, примерLDA Реализация MATLAB