Gibbs采样算法求解LDA
1. Gibbs采样算法求解LDA的思路
首先,回顾LDA的模型图如下:
在Gibbs采样算法求解LDA的方法中,我们的α,η是已知的先验输入,我们的目标是得到各个,对应的整体, 的概率分布,即文档主题的分布和主题词的分布。由于我们是采用Gibbs采样法,则对于要求的目标分布,我们需要得到对应分布各个特征维度的条件概率分布。
具体到问题,我们的所有文档联合起来形成的词向量是已知的数据,不知道的是语料库主题的分布。假如我们可以先求出w,z的联合分布p( ,),进而可以求出某一个词对应主题特征的条件概率分布p(=k| ,)。其中,代表去掉下标为i的词对应的主题后的主题分布。有了条件概率分布 p(=k| ,),我们就可以进行Gibbs采样,最终在Gibbs采样收敛后得到第i个词的主题。
如果我们通过采样得到了所有词的主题,那么通过统计所有词的主题计数,就可以得到各个主题的词分布。接着统计各个文档对应词的主题计数,就可以得到各个文档的主题分布。
以上就是Gibbs采样算法求解LDA的思路。
2. 主题和词的联合分布与条件分布的求解
要使用Gibbs采样求解LDA,关键是得到条件概率 p(=k| ,)的表达式。那么这一节我们的目标就是求出这个表达式供Gibbs采样使用。
首先我们简化下Dirichlet分布的表达式,其中△(α)是归一化参数:
现在我们先计算下第d个文档的主题的条件分布p(|α),在上一篇中我们讲到α→→组成了Dirichlet-multi共轭,利用这组分布,计算 p(|α)如下:
其中在第d个文档中,第k个主题的词的个数表示为:, 对应的多项分布的计数可以表示为:
=(,,,...)
有了单一一个文档的主题条件分布,则可以得到所有文档的主题条件分布为:
同样的方法,可以得到,所有主题对应的词的条件分布p(|,)为:
其中,第k个主题中,第v个词的个数表示为:, 对应的多项分布的计数可以表示为
=(,,,...)
最终我们得到主题和词的联合分布p( , | , )如下:
有了联合分布,现在我们就可以求Gibbs采样需要的条件分布 p(=k| ,)了。
对于下标i,由于它对应的词是可以观察到的,因此我们有:
对于=k,=t它只涉及到第d篇文档和第k个主题两个Dirichlet-multi共轭,即:
→→
→→
其余的M+K−2个Dirichlet-multi共轭和它们这两个共轭是独立的。如果我们在语料库中去掉,并不会改变之前的M+K个Dirichlet-multi共轭结构,只是向量的某些位置的计数会减少,因此对于,,对应的后验分布为:
现在开始计算Gibbs采样需要的条件概率:
在上一篇LDA基础里我们讲到了Dirichlet分布的期望公式,因此我们有:
最终我们得到每个词对应主题的Gibbs采样的条件概率公式为:
有了这个公式,我们就可以用Gibbs采样去采样所有词的主题,当Gibbs采样收敛后,即得到所有词的采样主题。
利用所有采样得到的词和主题的对应关系,我们就可以得到每个文档词主题的分布和每个主题中所有词的分布。
Gibbs采样算法求解LDA相关推荐
- LDA求解:Gibbs采样算法
本文是LDA主题模型的第二篇,读这一篇之前建议先读文本主题模型之LDA(一) LDA基础,同时由于使用了基于MCMC的Gibbs采样算法,如果你对MCMC和Gibbs采样不熟悉,建议阅读之前写的MCM ...
- gibbs采样算法的理解
马尔科夫过程: 构造一个马氏链,使得为平稳分布时,当t足够大,有: 有: 上式表明,从中采样一个样本的概率,等于前一时刻从分布中采到样本时,再从分布中采一个样本的概率. 因此,从中采样,等价于从采样. ...
- LDA主题模型系列(二)求解之Gibbs采样
本系列分为三部分: LDA基本概念 LDA求解之Gibbs采样 LDA求解之变分推断EM算法 该篇为第二部分:LDA求解之Gibbs采样 对于Gibbs采样不了解的可以参考这里 本文只包括思路,具体的 ...
- 三硬币问题建模及Gibbs采样求解(Python实现)
大纲 三硬币问题建模及Gibbs采样求解(Python实现) 三硬币问题 二项分布与Beta分布 基础概念 二项分布 Beta分布 二项分布-Beta分布 三硬币问题建模过程 Gibbs 采样求解 p ...
- mh采样算法推导_深度学习:Gibbs 采样
1. 什么是Gibbs采样 Gibbs采样是MH算法的一种特例(α==1),因此可以保证Gibbs抽取的样本,也构成一个非周期不可约稳定收敛的马氏链:Gibbs采样适用于样本是两维或以上的情况:通过积 ...
- 【LDA学习系列】Gibbs采样python代码
Gibbs采样算法流程:从已知分布采样,前提是预知条件分布 代码流程: 代码: # -*- coding: utf-8 -*- ''' Created on 2018年5月15日 @author: u ...
- 简单易学的机器学习算法——Gibbs采样
一.Gibbs采样概述 前面介绍的Metropolis-Hastings采样为从指定分布中进行采样提供了一个统一的框架,但是采样的效率依赖于指定的分布的选择,若是选择的不好,会使得接受率比较低,大量的 ...
- MCMC(三):Gibbs采样
在<MCMC(二):MCMC采样和M-H采样>中,我们讲到了M-H采样已经可以很好的解决蒙特卡罗方法需要的任意概率分布的样本集的问题. 但是M-H采样有两个缺点:一是需要计算接受率,在高维 ...
- 机器学习 —— 概率图模型(推理:采样算法)
基于采样的推理算法利用的思想是 概率 = 大样本下频率.故在获得图模型以及CPD的基础上,通过设计采样算法模拟事件发生过程,即可获得一系列事件(联合概率质量函数)的频率,从而达到inference的 ...
最新文章
- Flask 数据迁移 报错 Table 'xxx' is already defined for this MetaData instance
- python开发框架 代码生成_我的第一个python web开发框架(28)——定制ORM(四)...
- C++ 十字链表图转java版
- 作业调度算法--短作业优先 操作系统_处理器管理_编程题
- 本地突破XP系统权限
- 点击按钮显示div并向div中传递参数
- python入门系列:对象引用、垃圾回收、可变性
- 【Kafka】Kafka Record for partition topic at offset xx is invalid, cause: Record corrupt
- Vue项目部署到CentOS服务器
- java插件化_从零开始实现一个插件化框架(一)
- 白鹭引擎生成html,初识Egret白鹭引擎 之 创建舞台
- python plt 保存为emf图像
- 阶段2 JavaWeb+黑马旅游网_15-Maven基础_第4节 maven生命周期和概念模型图_09maven概念模型图...
- 大屏可视化之适配和布局
- 诡异大阳飙升动因何在
- 真正的数字化,是CEO决策的底层逻辑要变了
- android 蓝牙自动断开,Android蓝牙:连接()/断开()
- git error: You have not concluded your merge (MERGE_HEAD exists).
- aquarius_v13
- 靶机测试 Me and My Girlfriend1笔记