确定 Mahout LDA 输出上的文档 ID

Question

我已经成功运行了 mahout lda，并使用命令 mahout ldatopics 显示了输出。

例如，我的主题是科学和体育。那么输出将如下所示： 话题 0 篮球， 玩， 棒球 话题一 研究， 学习， 哲学

我现在的问题是如何识别单个文章的组或集群。 是否有 ID 号或某种跟踪，以便对于我添加的每篇新文章，它都会被分组或添加到特定的集群/主题。

如果我已经有了集群，下一步是什么？

谢谢

Answer 1

我一直在查看源代码，但找不到任何关于计算给定文档主题概率的 theta 矩阵的内容，因为没有输入 Alpha 值来估计每个文档的主题和LDAState 类有一个 logProbWordGivenTopic(int, int) 方法，但没有像 getProbTopicGivenDocument() 这样的方法我只能假设 LDA 的 mahout 实现不处理发现特定文档的主题分布。如果其他人知道得更好，我很乐意犯错。