为提升传统LDA 模型的主题识别性能, 并给主题最优数目选择提供技术方案, 提出基于自适应聚类的K-wrLDA 模型。利用LDA 和Word2Vec 模型得出包含主题词概率信息及词义相关性的T-WV 矩 阵, 并将传统LDA 模型的主题数目选择问题转化为聚类效果评价问题, 以内部指标F 统计量作为目标函数,计算主题聚类数目的最优解, 并对新旧两种模型的主题识别效果进行比较。

LDA是如何看待文章和主题的? LDA如何知道哪几个词汇是同一个主题的呢？

Python实现LDA主题模型以及模型可视化 - 采用jieba进行数据处理 - 采用gensim构建主题模型 - 采用pyLDAvis可视化主题模型

LDA(Latent Dirichlet Allocation)中文翻译为：潜在狄利克雷分布。LDA主题模型是一种文档生成模型，是一种非监督机器学习技术。它认为一篇文档是有多个主题的，而每个主题又对应着不同的词。一篇文档的构造过程，首先是以一定的概率选择某个主题，然后再在这个主题下以一定的概率选出某一个词，这样就生成了这篇文档的第一个词。不断重复这个过程，就生成了整篇文章

用于LDA，贝叶斯网络分析，TF_IDF词频计算

LDA(Latent Dirichlet Allocation)中文翻译为：潜在狄利克雷分布。LDA主题模型是一种文档生成模型，是一种非监督机器学习技术。它认为一篇文档是有多个主题的，而每个主题又对应着不同的词。一篇文档的构造过程，首先是以一定的概率选择某个主题，然后再在这个主题下以一定的概率选出某一个词，这样就生成了这篇文档的第一个词。不断重复这个过程，就生成了整篇文章。

随着移动互联网的快速发展，如何从大量的移动应用中抽取有效的描述信息继而为移动用户提供有效 准确的推荐策略变得尤为迫切。目前，移动应用市场对应用的推荐策略相对传统，大多是根据应用的单一属性进行 推荐，如下载量、应用名称、应用分类等。针对推荐粒度过粗和推荐不准确的问题，提出了一种基于潜在狄利克雷分布 ( LDA) 主题模型的移动应用相似度构建方法。该方法从应用的标签入手，构造应用的主题模型分布矩阵，利用该主 题分布矩阵构建移动应用的相似度矩阵，同时提出了将移动应用相似度矩阵转化为可行的存储结构的方法。实验结 果表明该方法是有效的，相比现有的360 应用市场推荐的应用其相似度提升130%。该方法解决了移动应用推荐过 程中推荐粒度过粗的问题，可使推荐结果更加准确。

191030_Lda主题模型里面包含的是我博客里面所提供的资料和源码，可以直接运行

什么是LDA? L主题模型是怎样运作的? LDA是如何看待文章和主题的? LDA如何知道哪几个词汇是同一个主题的呢？ 使用吉布斯抽样使主题分布收敛 Gibbs sampling（吉布斯抽样） 狄里克雷分布

Blei博士的论文，介绍LDA的经典 主题模型领域的经典，信息检索技术的必读论文