概述
笔者很早就对LDA模型着迷，最近在学习gensim库发现了LDA比较有意义且项目较为完整的Tutorials,于是乎就有本系列,本系列包含三款：Latent Dirichlet Allocation、Author-Topic Model、Dynamic Topic Models
pyLDA系列模型 | 解析 | 功能
---- | —
ATM模型（Author-Topic Model） | 加入监督的’作者’,每个作者对不同主题的偏好;弊端：chained topics, intruded words, random topics, and unbalanced topics (see Mimno and co-authors 2011) | 作者主题偏好、
词语主题偏好、
相似作者推荐、
可视化
LDA模型（Latent Dirichlet Allocation） | 主题模型 | 文章主题偏好、
单词的主题偏好、
主题内容展示、
主题内容矩阵
DTM模型（Dynamic Topic Models） | 加入时间因素，不同主题随着时间变动 | 时间-主题词条矩阵、
主题-时间词条矩阵、文档主题偏好、新文档预测、跨时间+主题属性
最后
以上就是闪闪灯泡为你收集整理的pyLDA系列︱考量时间因素的动态主题模型（Dynamic Topic Models）的全部内容，希望文章能够帮你解决pyLDA系列︱考量时间因素的动态主题模型（Dynamic Topic Models）所遇到的程序开发问题。
如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。
本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。
发表评论 取消回复