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

tomotopy：主题建模工具Tomoto的Python软件包

matlab代码lda 潜在狄利克雷分配 介绍 潜在狄利克雷分配 (LDA) 是文本文档的概率生成模型。 文档被建模为一组“主题”的混合体。 使用变分贝叶斯 (VB) 算法，可以学习与语料库中的文档对应的主题集。 然后可以将这些主题特征用于诸如文本分类之类的任务。 包含的文件 batchLDA.m - 在 MATLAB 中通过文档的批处理实现 LDA。 为语料库中的文档获取一组字数向量并输出一组主题特征。 classify.m - 使用 LDA 主题特征的简单文本分类示例。 需要 . 执照 此代码在 MIT 许可下可用。 请查阅包含的许可证文件以获取完整信息。 参考 [1] DM Blei、AY Ng 和 MI Jordan，“潜在狄利克雷分配” ，机器学习研究杂志，卷。 3，第 993-1022 页，2003 年。 [2] DM Blei、MD Hoffman 和 F. Bach，“潜在狄利克雷分配的在线学习”，神经信息处理系统 (NIPS) 2010 ，温哥华，2010。

华侨城 OCTIS（优化和比较主题模型很简单）旨在训练，分析和比较主题模型，其最佳超参数通过贝叶斯优化方法进行估算。 安装 您可以使用以下命令安装OCTIS： pip install -e . 您可以在requirements.txt文件中找到需求。 特征 我们提供了一组最新的预处理文本数据集（或者您可以预处理自己的数据集） 我们提供了一组著名的主题模型（经典模型和神经模型），或者您可以集成自己的模型 您可以使用几种最新的评估指标来评估模型 您可以使用贝叶斯优化相对于给定指标优化模型的超参数 我们提供了一个简单的网络信息中心，用于启动和控制优化实验 获取预处理的数据集 要获取数据集，您可以使用内置源之一。 from octis . dataset . dataset import Dataset dataset = Dataset () dataset . load ( "oc

这个是LDA的源代码，里面实现了中文分词，以及有实际的数据，我都已经写好了，可以把数据以文件夹的形式读入，方便使用

吉布斯采样matlab代码Latent-Dirichlet-Allocation-LDA-（MATLAB中的代码） 自然语言处理算法 概率生成模型 Latent Dirichlet Allocation根据主题比例和单词比例对文档进行分类的方法 贝叶斯推断使用折叠的吉布斯采样 与传统的吉布斯采样器相比，收敛速度更快，错误率低 参考文献：托马斯·格里菲斯（Thomas L. Griffiths）和马克·史蒂佛斯（Mark Steyvers）发现科学课题（2004） 这里考虑的词汇大小为16，并使用4x4图像表示。 图像中的每个像素代表词汇表中的一个单词。 像素越亮，在文档/主题中的频率越高。 下图显示了8个主题作为单词分布的基本事实。 现在，使用这些主题生成了500个长度为100的文档。 图像下方显示了生成的文档示例。 现在，在这些生成的文档上运行了LDA（超过500次迭代），并发现了主题。 下面的屏幕快照显示了在初始迭代和最终迭代中发现的主题。 Theta地面真相值 范例文件 初始Phi迭代 最终Phi迭代 经过最终的迭代，发现的主题为： 它包含以下功能： 1）代码LDA Matlab

这是我读书时的一次内部分享，现拿来与大家分享

Latent Dirichlet Allocation(LDA)是一种文档主题生成模型，也称为一个三层贝叶斯概率模型，包含词、主题和文档三层结构。LDA是一种非监督机器学习技术，可以用来识别大规模文档集（document collection）或语料库（corpus）中潜藏的主题信息。此文档是LDA论文的翻译。

Latent Dirichlet Allocation的matlab版本。具有很高的参考价值。