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

异构网络学习排序模型及应用，杨子，唐杰，针对网络排序问题中的基础，研究了话题层次的随机游走问题，提出了3步的方法解决该任务。重点从文档集中发现话题，在计算文档话��

基于知识话题模型的文本蕴涵识别与面向中文专利文献的有标记并列结构的统计分析

LDA模型的理解对很多人是一种挑战，尤其是参数估计部分。本文档详细给出了TOTLDA和LDA两个主题概率模型的参数估计需要用到的后验概率的推导过程，并采用了两种方法，对主题概率模型研究人员具有很好的启发意义！