springboot集成kafka实战项目代码 项目介绍地址：https://blog.csdn.net/qq_38105536/article/details/122308040

jLDADMM：用于LDA和DMM主题模型的Java包 jLDADMM已发布，它为普通或短文本上的主题建模提供了替代方法。 概率主题模型，例如潜在狄利克雷分配（LDA）[1]和相关模型[2]，被广泛用于发现文档集中的潜在主题。 但是，由于数据稀疏性以及此类文本中的上下文有限，将主题模型应用于短文本（例如Tweets）更具挑战性。 一种方法是在训练LDA之前将短文本组合成长的伪文档。 另一种方法是假设每个文档只有一个主题[3]。 jLDADMM提供了LDA主题模型[1]和每个文档一个主题的Dirichlet多项式混合（DMM）模型（即，字母组合的混合）[4]的实现。 LDA和DMM的实现分别使

topModel：来自Google的Github公共数据集的一些简短主题建模

topic_demo 使用自定义msg文件模拟topic通信demo， 注释部分为不适用自定义文件的demo

ActiveMQ的两种消息模式的例子，queue和topic，注释很详细，告诉你每步做什么，非springboot整合

更新：现在可以嵌入预训练的通用句子编码器和BERT句子转换器。阅读。 Top2Vec Top2Vec是用于主题建模和语义搜索的算法。它会自动检测文本中存在的主题，并生成联合嵌入的主题，文档和单词向量。训练Top2Vec模型后，您可以： 获取检测到的主题数。 获取主题。 获取主题大小。 获取层次结构主题。 通过关键字搜索主题。 按主题搜索文档。 通过关键字搜索文档。 查找类似的单词。 查找类似的文档。 使用公开模型 有关其工作原理的更多详细信息，请参见。 好处 自动查找主题数。 无需停用词列表。 无需词干/词形限制。 适用于短文本。 创建联合嵌入的主题，文档和单词向量。 内置搜索功能。 它是如何工作的？ 该算法所做的假设是，许多语义上相似的文档都表明了一个潜在的主题。第一步是创建文档和单词向量的联合嵌入。将文档和单词嵌入向量空间后，算法的目标是找到文档的密集簇，然后确定哪些单词将这些文档

将onvif协议摄像头通过OpenCV读取图像，并转换为ROS Topic发布

tomotopy：主题建模工具Tomoto的Python软件包

2018-春季-人工智能-No04-Topic 05-不确定性推理-Bayes实验Python代码1

V1.0（当前） （1）可任意测试topic数量 （2）测试topic数量是由1到期望数量递增，递增周期是10s （3）创建topic和收topic在不同的功能模块当中 （4）传输宽带必须时刻保持在800Mbps左右 （5）传输数据大小可以调节