本篇內(nèi)容介紹了“分析LDA在推薦系統(tǒng)上的引用”的有關(guān)知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領(lǐng)大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠?qū)W有所成！

創(chuàng)新互聯(lián)公司專業(yè)為企業(yè)提供扶溝網(wǎng)站建設(shè)、扶溝做網(wǎng)站、扶溝網(wǎng)站設(shè)計、扶溝網(wǎng)站制作等企業(yè)網(wǎng)站建設(shè)、網(wǎng)頁設(shè)計與制作、扶溝企業(yè)網(wǎng)站模板建站服務(wù)，十載扶溝做網(wǎng)站經(jīng)驗，不只是建網(wǎng)站，更提供有價值的思路和整體網(wǎng)絡(luò)服務(wù)。

 導讀

LDA是文檔分類上的經(jīng)典算法，如何應(yīng)用到推薦系統(tǒng)上，大家可以看看。

Latent Dirichlet  Allocation(LDA)是一種無監(jiān)督發(fā)現(xiàn)語料庫底層主題的主題建模算法。它已被廣泛應(yīng)用于各種領(lǐng)域，特別是在自然語言處理和推薦系統(tǒng)中。

概要介紹

LDA是語料庫/文檔的生成概率模型。它基于“詞袋”假設(shè)，即詞語和文檔是可互換的。也就是說，忽略了文檔中文字的順序，或者忽略了文檔的順序。其基本思想是每個文檔都是由不同的主題組合而成，而每個主題的是通過單詞的分布來描述。

每個文檔都由一個主題分布組成

每個主題都用單詞的分布來表示

LDA假設(shè)單個文檔的生成都是通過從每個文檔中抽取主題，然后從每個抽取的主題中抽取單詞來生成的。為了獲得單詞和主題的適當分布，我們可以使用Gibbs  Sampling、Maximum a Posteriori (MAP)或expect Maximization (EM)來訓練LDA。

Plate表示法

為了更深入一點，讓我們討論一下LDA的符號表示法。在貝葉斯推理中，Plate表示法是一種圖形化的表示隨機變量抽樣的重復過程的方法。每個plate可以看作是一個“循環(huán)”，其中plate右下角的變量表示循環(huán)的迭代次數(shù)。下面是LDA的Plate表示法。

LDA plate 表示法

在上面的圖中有兩個組件。上面的plate，有K個主題，這些主題的詞的狄利克雷分布由超參數(shù)β控制。同樣，下面的表格描述了有M個文檔，每個文檔包含N個單詞?；疑膱A圈w是觀察到的單詞，圓圈代表不同的潛在變量。z指的是與w相關(guān)聯(lián)的主題，θ是文檔主題的狄利克雷分布，由另一個超參數(shù)?控制。

生成過程

現(xiàn)在我們大致了解了如何通過plate表示法來生成文檔。讓我們用數(shù)學來表示它。

1. 從狄利克雷分布(θ_i ~ Dir(?)，i從1到M)中采樣θ

2. 從另一個狄利克雷分布(φ_k ~ Dir(β) k從1到K)中采樣φ

3. 從z_ij ~ Multinomial(θ_i) 采樣，從w_ij ~ Multinomial(φ_z_ij) 中采樣，i從1到M，j從1到N

以《紐約時報》為例。首先，對于每個新聞文章，我們對整個文檔的主題分布θ_i_進行采樣。對每個主題中詞的分布φ_k_進行采樣。然后，對于每個文檔中的詞j，我們從給定的主題分布Multinomial(θ_i)中得到一個主題z_ij，然后從給定的詞的分布Multinomial(φ_z_ij)中的到w_ij，并基于w_ij采樣得到一個單詞。這個過程通過下面的圖來表示。

生成過程的可視化

狄利克雷分布

我們一直把狄利克雷作為黑盒子，卻沒有給出任何解釋。讓我們簡要地討論一下狄利克雷分布背后的直覺。一個k維狄利克雷分布由一個k維參數(shù)向量控制。下面我們展示一個狄利克雷分布的三維例子?；舅枷胧?，alpha值越大，分布被推到中心的概率越大。這種分布使得確定與主題/文檔相關(guān)聯(lián)的單詞/主題的部分具有很高的靈活性，因為一些主題/文檔可能與一組很大的單詞/主題相關(guān)聯(lián)，而其他的可能不相關(guān)聯(lián)。

狄利克雷分布

學習

學習LDA模型的問題稱為“推理”問題。給定觀測變量w，以及超參數(shù)?和β，我們?nèi)绾喂烙嫕撟兞康暮篁灨怕省?/p>

然而，分母中計算的積分在計算上是很麻煩的。

因此，必須使用近似推理。常用的方法是吉布斯抽樣和變分推論。在這篇文章中，我們將重點討論前者。

吉布斯抽樣

利用吉布斯采樣，我們可以避免直接計算棘手的積分?；镜南敕ㄊ?，我們想從p (w  |?,β)中采樣來估計這個分布，但我們不能直接這樣做。相反，Gibbs抽樣允許我們迭代地計算一個潛在變量的后驗值，同時固定所有其他變量。通過這種方式，我們可以獲得后驗分布p(θ,  z, φ| w, ?, β)。

對于每次迭代，我們交替采樣w，?，β，并固定所有其他變量。算法如下面的偽代碼所示：

For i from 1 to MaxIter:

1. Sample θ_i} ~p(θz= z_{i-1, φ = φ_{i-1}w, ?, β)

2. Sample z_i} ~p(zθ =θ_{i, φ = φ_{i-1}w, ?, β)

3. Sample φ_i} ~p(φθ = θ_{i, z= z_{i}w, ?, β)

由于來自早期迭代的樣本不穩(wěn)定，我們將丟棄樣本的第一個B次迭代，稱為“老化”。

LDA在推薦系統(tǒng)上的應(yīng)用

LDA通常用于兩種情況下的推薦系統(tǒng)：

1. 協(xié)同過濾(CF)

2. 基于內(nèi)容的推薦

協(xié)同過濾

當LDA應(yīng)用于基于物品的CF時，物品和用戶類似于我們一直在討論的文檔和單詞(基于用戶的CF正好相反)。換句話說，每個物品都與用戶組(主題)上的分布相關(guān)聯(lián)，每個用戶組都是用戶的分布。使用LDA，我們可以發(fā)現(xiàn)用戶和物品之間的隱藏關(guān)系。

基于內(nèi)容的推薦

第二個應(yīng)用是基于內(nèi)容的推薦，非常簡單。我們不只是利用普通的TF-IDF來提取每個物品的文本數(shù)據(jù)的特征向量，而且還通過LDA來對這些文本數(shù)據(jù)的主題進行建模。下面提供了用于訓練LDA和推斷給定文檔主題的示例代碼。

from gensim.test.utils import common_textsfrom gensim.corpora.dictionary import Dictionaryfrom gensim.models import LdaModel# Create a corpus from a list of textscommon_dictionary = Dictionary(common_texts)common_corpus = [common_dictionary.doc2bow(text) for text in common_texts]# Train the model on the corpus.lda = LdaModel(common_corpus, num_topics=10)

訓練LDA

# infer the topic distribution of the second corpus.lda[common_corpus[1]]'''output[(0, 0.014287902), (1, 0.014287437), (2, 0.014287902), (3, 0.014285716), (4, 0.014285716), (5, 0.014285714), (6, 0.014285716), (7, 0.014285716), (8, 0.014289378), (9, 0.87141883)]'''

推斷主題的分布向量

“分析LDA在推薦系統(tǒng)上的引用”的內(nèi)容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業(yè)相關(guān)的知識可以關(guān)注創(chuàng)新互聯(lián)網(wǎng)站，小編將為大家輸出更多高質(zhì)量的實用文章！