LDA自从2003年由David Blei（刚发现Andrew Ng竟然也是提出者之一）提出后就一直火的不行，特别在机器学习和文本挖掘领域被广泛研究和应用，造诣可圈可点。LDA能够从文本中学习出潜在的topics，挖掘文本的潜在结构。该模型认为在某个特定的语料集中，任意一篇doc都是由给定的N个topics中的若干个或全体构成。doc中的词取自特定的word-topic分布。使用LDA时我们不需要提供训练语料，也不需要对语料进行任何的预处理，我们要做就是设置4个参数：topic数N、迭代数、参数α和β。待算法执行完毕后，我们会得到N个topic，以及每一个主题下频繁共现的词集，用以表示该主题，下图是对Mozilla Firefox的Bug report集执行LDA后学校到的20个topic中的4个以及最能代表着4个topic的Top 10 words。（LDA的实现原理将在后续文章详细介绍）LDA自从2003年由David Blei（刚发现Andrew Ng竟然也是提出者之一）提出后就一直
阅读背景：
LDA主题模型用于BUG修复人推荐《DRETOM: developer recommendation based on topic models for bug resolution》
来源：互联网
LDA自从2003年由David Blei（刚发现Andrew Ng竟然也是提出者之一）提出后就一直火的不行，特别在机器学习和文本挖掘领域被广泛研究和应用，造诣可圈可点。LDA能够从文本中学习出潜在的topics，挖掘文本的潜在结构。该模型认为在某个特定的语料集中，任意一篇doc都是由给定的N个topics中的若干个或全体构成。doc中的词取自特定的word-topic分布。使用LDA时我们不需要提供训练语料，也不需要对语料进行任何的预处理，我们要做就是设置4个参数：topic数N、迭代数、参数α和β。待算法执行完毕后，我们会得到N个topic，以及每一个主题下频繁共现的词集，用以表示该主题，下图是对Mozilla Firefox的Bug report集执行LDA后学校到的20个topic中的4个以及最能代表着4个topic的Top 10 words。（LDA的实现原理将在后续文章详细介绍）LDA自从2003年由David Blei（刚发现Andrew Ng竟然也是提出者之一）提出后就一直
分享到：
