文本挖掘与分析课程笔记_Week3
2018-01-04 11:04
274 查看
第三周笔记
概率主题模型:混合一元语言模型
用两个词分布来表示,以此去除背景词(常见但意义不大的词)θd表示主题词分布
θB表示背景词分布
文本中某个词的概率计算
混合两个一元语言模型(解析)
利用最大似然求解混合两个一元语言模型时,θd和θB会出现“合作”和“竞争”在θB(背景词)分布中,概率大的词,相对地在θd(主题词)中概率会变小
某个词出现的次数越多,那么它在θd中的概率越高
假设【所有参数已知】求某个词,其来自主题词的概率公式(z为隐变量,当z为1是表示该词来自背景词)
最大期望算法 Expectation-Maximization(EM)
给p(w|θd)随机初始化一个值,通过E-step和M-step计算,使初始值改变,逐渐逼近最佳值(局部最优值)E-step是用附加信息来支持数据,像z(E-step用来计算lower bound的)
M-step是用附加信息来分开数据,分隔数据账目并收集正确的数据账目,重新估计参数(M-step用来提升,最大化下界)
EM算法的解释(像爬山,最终会收敛于一个局部最优)
- - - - 1.糟糕的初始值可能会得不到全局最优
概率隐语义分析 Probabilistic Latent Semantic Analysis(PLSA)
混合一元语言模型有多个(k个)主题分布的情况(注意参数λ和π)参数解析
参数计算(最大似然函数)
最大似然难求解,可用EM算法,同理有E-step和M-step
潜在利克雷分布 Latent Dirichlet Allocation(LDA)
最大后验概率估计PLSA的一些缺点
- - - - 1.不是一个生成模型,即无法计算新文档的概率
- - - - 1.参数过多,使得计算过程复杂
与PLAS相比,LDA所做出的改进
似然函数的调整
课程小结
课后测验
相关文章推荐
- 文本挖掘与分析课程笔记_Week1
- 文本挖掘与分析第五周学习笔记3--意见挖掘和情感分析
- coursera 公开课 文本挖掘和分析(text mining and analytics) week 1 笔记
- 图像处理、分析、识别、应用的课程笔记,PPT/PDF课件,计算机视觉中的机器学习、目标识别、分割、文本识别、fMRI 分析、运动和追踪等在线视频教程
- 中文文本挖掘课程笔记之jieba分词(1)
- python数据分析与挖掘学习笔记(3)_小说文本数据挖掘part1
- 【python数据挖掘课程】二十一.朴素贝叶斯分类器详解及中文文本舆情分析
- python数据分析与挖掘学习笔记(3)_小说文本数据挖掘part2
- 情感分析与观点挖掘总结笔记(一)
- 使用文本挖掘技术分析Twitter用户对电影的评价
- 【Python数据挖掘课程笔记】八.关联规则挖掘及Apriori实现购物推荐
- 【PHP TO ASP.NET 2.0开发系列课程(1):PHP与ASP.NET2.0之比较分析】笔记
- R语言做文本挖掘 Part5情感分析
- python数据挖掘学习笔记】十三.WordCloud词云配置过程及词频分析
- [生物医学文本挖掘]文献阅读汇报笔记(1)
- 【课程笔记】地统计分析
- 【数据挖掘笔记十】聚类分析:基本概念和方法
- python数据分析与挖掘学习笔记(5)-公司客户价值判断分析与聚类算法
- 数据分析之《菜鸟侦探挑战数据分析》-4-文本挖掘
- 以虎嗅网4W+文章的文本挖掘为例,展现数据分析的一整套流程