coursera上的公开课《https://www.coursera.org/course/textanalytics》系列，讲的很不错哦。
1、“term as topic”有非常多问题：
2、Improved Idea: Topic = Word Distribution：
3、定义问题（Probabilistic Topic Mining and Analysis）：
4、解决这个问题之道（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
当中：λ=({ theta1, …, thetak }, { π11, …, π1k }, …, { πN1, …, πNk })
5、The Simplest Language Model（generative model）: Unigram LM
通过独立的生成每个词进而产生文档，因此：
• p(w1 w2 ... wn)=p(w1)p(w2)…p(wn)
• 參数为: {p(wi)} ，且 p(w1)+…+p(wN)=1 (N is voc. size)
• Text = sample drawn according to this word distribution，比如：
p(“today is Wed”) = p(“today”)p(“is”)p(“Wed”) = 0.0002 * 0.001 * 0.000015
6、两种预计文本产生概率的办法：
•最大似然预计
“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。
• 贝叶斯预计
“最好”意味着“和‘先验’一致，同一时候能非常好解释样本数据”，即Maximum a Posteriori (MAP) estimate。
问题是，怎样定义“先验”。
7、多个Unigram Language Model混合（以两个为例）：
8、Probabilistic Topic Models: Expectation-Maximization (EM) Algorithm
样例：
9、Probabilistic Latent Semantic Analysis (PLSA)
本质思想：
数学关系：
PLSA中的EM：
11、LDA
内容參考：
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