PLSI Implementation How to extract features for the dataset 特征矩阵为t_d[V,D], V表示单词的数目，D表示文档的数目。过滤掉文档中包含的stopwords中的单词。 Source Code Explanation 在源代码中，包含如下几个文件： plsa.py : plsa的具体实现和一些用到的函数，如loglikelihood的计算公式，normlize的计算。 pprocess.py : 对data.txt的预处理，包括stopword的过滤，构造term_document矩阵，构造word到word_id的影射，doc到doc_id的影射。 main.py : 程序的入口，调用plsa.py和pprocess.py，按照topic从3到D便利，每次pLSA计算的loglihood和每个topic对应的10个关键词以及

文中介绍了当前比较主流的主题模型LSA.PLSA ,LDA等，同时分析了其演化过程和关联关系。另外，介绍了LDA的一些变种。对于学习主题模型的同学来说，这是一个相当不错的总结。

本本章上关于主题模型在个性化新闻推荐系统上的应用，以推测读者意图，来依据个性化进行新闻推荐

python

概率潜在语义分析简称pLSA(Probabilisticlatent semantic analysis)基于双模式和共现的数据分析方法延伸的经典的统计学方法。概率潜在语义分析应用于信息检索，过滤，自然语言处理，文本的机器学习或者其他相关领域。 概率潜在语义分析与标准潜在语义分析的不同是，标准潜在语义分析是以共现表（就是共现的矩阵）的奇异值分解的形式表现的，而概率潜在语义分析却是基于派生自LCM的混合矩阵分解。考虑到word和doc共现形式，概率潜在语义分析基于多项式分布和条件分布的混合来建模共现的概率。所谓共现其实就是W和D的一个矩阵，所谓双模式就是在W和D上同时进行考虑。基于概率统计的PLSA模型，用EM算法学习模型参数。

偶然看到了pLSA模型这个东东，不懂，于是找了找资料，这里分享给大家一段代码，帮助理解吧。不好的地方还请多多指教。

本系列博文介绍常见概率语言模型及其变形模型,主要总结 PLSA、LDA 及 LDA 的变形模型及参数Inference 方法。

pLSA(probabilistic Latent Semantic Analysis)，概率潜在语义分析模型，是1999年Hoffman提出的一个被称为第一个能解决一词多义问题的模型，通过在文档与单词之间建立一层主题（Topic），将文档与单词的直接关联转化为文档与主题的关联以及主题与单词的关联。这里采用EM算法进行估计，可能存在差错，望积极批评指正。 # -*- coding: utf-8 -*- import math import random import jieba import codecs import datetime class pLSA_lph(): def __i

pLSA的Matlab代码，实现pLSA算法的简单的代码，分享给大家