LDA(latent dirichlet allocation)在处理短文本时该怎样优化?
我是LDA的初学者，还不是很了解LDA的一些insight，我只是抛砖引玉说说我的小想法哈。我个人觉得可以这样缓解你提到的两方面的问题1.Discovered topics 中出现高频重复词，无法直观看出主题, 怎么办？有一些cs的文章提到可以计算 topic 和 word 之间的 mutual information 来一定程度上去掉高频词的影响，从而更清晰的看出topic和word的关系，您可以试试2.传统LDA常常做长文本, 我想做微博的topic分析，效果不好我个人觉得微博有这样的特性，总体比较短，结构性差， 口语化等等。它跟LDA本身的目标数据类型可能有些区别，但跟Customer reviews 什么的挺像，因此可以试试一些做custom reviews的，LDA－based的，更specific的方法比如这篇: An unsupervised aspect-sentiment model for online reviews我读的文章不多，说的可能不太对，希望多讨论～
推荐阅读
- 随便找个人一周之内只用语言自带的库开发不出测试用的LDAP服务端，算不算烂语言
- 准备作主题模型LDA聚类，求训练语料
- 怎样复原电脑垃圾站里删除的文件
- 索尼LDAC蓝牙传输技术是硬件层面的技术还是系统层面上的呢
- 是否还有必要学习LDA（潜在狄利克雷分布）
- 科技每日推送|LDAC、一键闪连、IP55：vivo无线运动耳机开箱轻体验
- LDA 吉布斯采样时间复杂度怎样分析
- 『Mic』万魔降噪项圈Pro版体验：LDAC助力高音质，双向反馈Mic降噪更强大外观篇音质及降噪篇总结篇
- 啥是latent SVM
- STM话题模型比LDA有啥优势