TMvis:基于LDA的主题建模可视分析系统

一、阅前了解

1、LDA：（来自百度百科）

LDA（Latent Dirichlet Allocation）是一种文档主题生成模型，也称为一个三层贝叶斯概率模型，包含词、主题和文档三层结构。所谓生成模型，就是说，我们认为一篇文章的每个词都是通过“以一定概率选择了某个主题，并从这个主题中以一定概率选择某个词语”这样一个过程得到。文档到主题服从多项式分布，主题到词服从多项式分布。

LDA是一种非监督机器学习技术，可以用来识别大规模文档集（document collection）或语料库（corpus）中潜藏的主题信息。它采用了词袋（bag of words）的方法，这种方法将每一篇文档视为一个词频向量，从而将文本信息转化为了易于建模的数字信息。但是词袋方法没有考虑词与词之间的顺序，这简化了问题的复杂性，同时也为模型的改进提供了契机。每一篇文档代表了一些主题所构成的一个概率分布，而每一个主题又代表了很多单词所构成的一个概率分布。

二、论文内容

TMvis为浙江工业大学汤颖教授及其研究生在计算机辅助设计与图形学学报发表的论文，该论文的核心是通过可视化的方法帮助用户解决主题建模中难解释和难调整的两大难题。通过设计两个可视化区域：语料库优化可视化区域，协助用户高效构建字典；主题模型可视化区，帮助用户理解当前模型并改进。通过用户与可视化系统的交互从而实现主题模型的交互及提升。其交互提升的整体流程如下图所示。