《textanalytics》课程简单总结（2）：topic mining

coursera上的公开课《https://www.coursera.org/course/textanalytics》系列，讲的非常不错哦。

 

 

1、“term as topic”有很多问题：

 

2、Improved Idea: Topic = Word Distribution：

 

 

3、定义问题（Probabilistic Topic Mining and Analysis）：

 

 

4、解决问题之道（Generative Model for Probabilistic Topic Mining and Analysis）：

– Model data generation with a prob. model:  P(Data |Model, λ) 
– Infer the most likely parameter values λ* given a particular data set:   λ* = argmaxλ p(Data| Model, λ) 
– Take λ* as the “knowledge” to be mined for the text mining problem 
– Adjust the design of the model to discover different knowledge

其中：λ=({ theta1, …, thetak }, { π11, …, π1k }, …, { πN1, …, πNk }) 

 

5、The Simplest Language Model（generative model）: Unigram LM

通过独立的生成每一个词进而产生文档，因此： 
• p(w1 w2 ... wn)=p(w1)p(w2)…p(wn) 
• 参数为: {p(wi)} ，且 p(w1)+…+p(wN)=1 (N is voc. size) 
• Text = sample drawn according to this word distribution，例如：

   p(“today is Wed”) = p(“today”)p(“is”)p(“Wed”)  = 0.0002 *  0.001 * 0.000015

 

6、两种估计文本产生概率的办法：

•最大似然估计

“最好”意味着“样本数据的似然值达到最大”：。

问题是，样本一般较小。

• 贝叶斯估计

“最好”意味着“和‘先验’一致，同时能很好解释样本数据”，即Maximum a Posteriori (MAP) estimate。

问题是，如何定义“先验”。

 

 

 

 

7、多个Unigram Language Model混合（以两个为例）：

 

8、Probabilistic Topic Models: Expectation-Maximization (EM) Algorithm

 

例子：

 

 

 

 

 

9、Probabilistic Latent Semantic Analysis (PLSA)

本质思想：

 

数学关系：

 

PLSA中的EM：

 

 

 

 

 

 

11、LDA

内容参考：

 http://blog.csdn.net/mmc2015/article/details/45009759

http://blog.csdn.net/mmc2015/article/details/45010307

http://blog.csdn.net/mmc2015/article/details/45011027

http://blog.csdn.net/mmc2015/article/details/45024447