分层潜在Dirichlet分配 分层潜在狄利克雷分配（hLDA）解决了从数据中学习主题层次结构的问题。 该模型依赖于称为嵌套中国餐厅过程的非参数先验，该过程允许任意大的分支因子，并可以轻松容纳不断增长的数据收集。 hLDA模型将此先验与基于潜在Dirichlet分配的分层变体的可能性相结合。 执行 是用于hLDA推断的Gibbs采样器，基于的实现，在nCRP树上具有固定的深度。 安装 只需使用pip install hlda即可安装该软件包。 可以在找到一个示例笔记本，该笔记本可以推断BBC Insight语料库上的层次结构主题。

用Python实现L-LDA模型（标签潜在Dirichlet分配模型） 参考： 标记的LDA：多标签语料库中信用归因的受监管主题模型Daniel Ramage ... 文本分析的参数估计，Gregor Heinrich。 潜在的Dirichlet分配，David M. Blei，Andrew Y. Ng ... 基于Gibbs采样的有效实现 以下描述来自标签LDA：多标签语料库中信用归因的受监督主题模型Daniel Ramage ... 介绍： 标记的LDA是通过定义LDA潜在主题和用户标签之间的一一对应关系来约束潜在Dirichlet分配的主题模型。 带有标签的LDA可以直接学习主题（标签）对应关系。 吉布斯采样： 标记的LDA的图形模型： 标记LDA的生成过程： 吉布斯采样方程式： 用法 新的llda模型 训练 ？is_convergence 更新 推理 将模型保存到

锚定的CorEx：具有最少领域知识的分层主题建模 肺心病的关系防爆夷（COREX）是一个主题模式，产生丰富的主题，最大程度地提供信息有关的一套文件。 与其他主题模型相比，使用CorEx的优势在于，可以根据用户的需要轻松地将其作为无监督，半监督或分层的主题模型来运行。 对于半监督，CorEx允许用户通过“锚词”集成他们的领域知识。 这种集成是灵活的，并允许用户在这些单词的方向上指导主题模型。 这允许采用创新策略来促进主题表示，可分离性和方面。 更一般而言，CorEx的这种实现方式适合于聚类任何稀疏的二进制数据。 如果使用此代码，请引用以下内容： Gallagher，RJ，Reing，K.，Kale，D。和Ver Steeg，G。“。” 计算语言学协会（TACL）的交易，2017年。 入门 安装 可以通过pip安装CorEx主题模型的Python代码： pip install corex

gsdmm-short-text-topic-modeling:GSDMM的短文本主题建模实现

支持LDA、AT、HMM-LDA模型，功能多样。尤其是HMM-LDA可以进行自动过滤停用词的主题模型分析。

Whatsapp聊天主题建模