Topic-sensitive PageRank - a context-sensitive ranking algorithm Taher H. Haveliwala Stanford University

K8S容器云平台查询容器TOP真实使用情况工具之Topic，方面容器docker内部查询自己的top

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。

这是我读书时的一次内部分享，现拿来与大家分享

主题建模 一个从头复制了多个主题建模算法的仓库 pLSA概率潜在语义分析-plsa.py 原始论文可在中找到，使用EM算法估计主题分布，每个文档中的单词分布 潜在狄利克雷分配（LDA）算法-lda.py 原始论文可以在这里找到 ，我使用的MCMC算法是折叠的Gibbs采样 ，对我来说，它比原始作者提出的变分推理更容易实现。 我在一个小的数据集上进行了测试，该数据集包含约120条Yelp评论，涵盖了三个主要类别（海鲜，水暖，宠物店）。该算法可以清楚地识别每个主题的关键字。 短文本算法的双项主题模型-btm.py 原始论文可以在中找到，我在这里使用的MCMC算法是吉布斯采样法 Twitter主题建模原始论文可以在找到 Yelp数据集开源评论数据

先看效果 app端（可远程显示温湿度、控制继电器开关） 四、AndroidManFest的application标签下添加服务 五、在onCreate（）方法中调用init_MQtt()方法连接OneNet /** * MQTT连接服务器 */ private void init_MQtt(){ //初始化sdk MqttClient.initialize(this,183.230.40.39,6002,设备ID,产品ID,Master APIkey); //设置接受响应回调

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

一个多module的maven项目，包含了rabbitmq的basic、workqueue、subsrcibe、direct、topic等经典示例，全部自测通过。

IEML IEML是一种常规的语言语言（作为自然语言构建），其语法与语义平行。 这意味着在IEML中，表达式结构的微小变化会导致语义上接近的表达式。 例如： [! E:S:. ()(uA:.-) > E:.l.- (E:.-U:.s.-l.-')] [! E:S:. ()(uA:.-) > E:.l.- (E:.-U:.s.-l.-')] ：向上 [! E:S:. ()(uA:.-) > E:.l.- (E:.-U:.d.-l.-')] [! E:S:. ()(uA:.-) > E:.l.- (E:.-U:.d.-l.-')] ：下移 仅E:.-U:. s .-l.-' （向上）已更改为E:.-U:. d .-l.-' （向下）。 这些属性使得通过编辑距离计算可以自动计算语言的不同表达之间的语义关系。 因此，该语言中没有同义词，因为通过构造，这些同义词将被相同地编写。 另一方面，用I