Latent Dirichlet Allocation (LDA) i

Latent Dirichlet Allocation (LDA) is an unsupervised, statistical approach to document modeling that discovers latent semantic topics in large collections of text documents. LDA posits that words carry strong semantic information, and documents discussing similar topics will use a similar group of words. Latent topics are thus discovered by identifying groups of words in the corpus that frequently occur together within documents. In this way, LDA models documents as a random mixture over latent topics, with each topic being characterized by its own particular distribution over words. In this report, we show that LDA is not only useful in the text domain, but also in the image and music domain. In particular, we discuss algorithms that extend LDA to accomplish tasks like document classification for text, object localization for images, and automatic harmonic analysis for music. For each domain, we also emphasize approaches that go beyond LDA’s traditional bag-of-words representation to achieve more realistic models that incorporate order information.

ผลลัพธ์ (ไทย) 1:

การปันส่วน Dirichlet แฝงอยู่ (LDA) เป็นวิธีการทางสถิติ unsupervised เอกสารการสร้างโมเดลที่พบหัวข้อความหมายที่แฝงอยู่ในคอลเลกชันขนาดใหญ่ของเอกสารข้อความ LDA posits คำดำเนินการข้อมูลทางตรรกที่แข็งแกร่ง และเอกสารการสนทนาหัวข้อคล้ายกันจะใช้กลุ่มคำคล้าย หัวข้อแฝงอยู่จึงได้ถูกค้นพบ โดยระบุกลุ่มคำในคอร์พัสคริที่มักเกิดขึ้นร่วมกันภายในเอกสาร ด้วยวิธีนี้ LDA รุ่นเอกสารเป็นการผสมผสานระหว่างการสุ่มมากกว่าหัวข้อที่แฝงอยู่ กับแต่ละหัวข้อเป็นลักษณะกระจายเฉพาะของตนเองผ่านคำ ในรายงานนี้ เราแสดงว่า LDA ไม่เพียงมีประโยชน์ในข้อความโดเมน แต่ยังอยู่ในโดเมนรูปภาพและเพลง โดยเฉพาะอย่างยิ่ง เรากล่าวถึงอัลกอริทึมที่ขยาย lda ซึ่งในการทำงานเช่นการจัดประเภทเอกสารสำหรับข้อความ แปลวัตถุในภาพ และอัตโนมัติ harmonic วิเคราะห์เพลง สำหรับแต่ละโดเมน เรายังเน้นวิธีที่เกินของ LDA ดั้งเดิมถุงคำแสดงให้สมจริงมากขึ้นรูปแบบที่รวมข้อมูลใบสั่ง

ผลลัพธ์ (ไทย) 2:

จัดสรร Dirichlet แฝง (LDA) เป็นหากินวิธีการทางสถิติเพื่อการสร้างแบบจำลองเอกสารที่ค้นพบหัวข้อความหมายแฝงในคอลเลกชันขนาดใหญ่ของเอกสารข้อความ LDA posits ว่าคำพูดนำข้อมูลความหมายที่แข็งแกร่งและเอกสารการอภิปรายหัวข้อที่คล้ายกันจะใช้กลุ่มของคำที่คล้ายกัน หัวข้อที่มีการค้นพบแฝงดังนั้นโดยการระบุกลุ่มของคำในคลังที่มักเกิดขึ้นร่วมกันภายในเอกสาร ด้วยวิธีนี้เอกสารรุ่น LDA เป็นส่วนผสมแบบสุ่มมากกว่าหัวข้อที่แฝงอยู่กับแต่ละหัวข้อที่ถูกโดดเด่นด้วยการจัดจำหน่ายเฉพาะของตัวเองมากกว่าคำพูด ในรายงานนี้แสดงให้เห็นว่าเรา LDA ไม่ได้เป็นเพียงประโยชน์ในโดเมนข้อความ แต่ยังอยู่ในภาพและโดเมนเพลง โดยเฉพาะอย่างยิ่งที่เราจะหารือขั้นตอนวิธีการที่ขยาย LDA ที่จะบรรลุผลงานเช่นการจัดหมวดหมู่เอกสารสำหรับข้อความที่แปลวัตถุสำหรับรูปภาพและการวิเคราะห์สอดคล้องกันโดยอัตโนมัติสำหรับการฟังเพลง สำหรับแต่ละโดเมนเรายังเน้นวิธีการที่นอกเหนือไปจากแบบดั้งเดิม LDA ถุงของคำเพื่อให้บรรลุการแสดงแบบจำลองที่สมจริงมากขึ้นที่รวมข้อมูลการสั่งซื้อ

ผลลัพธ์ (ไทย) 3:

การจัดสรรดีริชเลต์แฝง ( lda ) เป็น unsupervised , วิธีการสถิติเอกสารแบบแฝงความหมายในหัวข้อที่ค้นพบคอลเลกชันขนาดใหญ่ของเอกสารข้อความ lda posits คำถือระบบที่แข็งแกร่ง และเอกสารการอภิปรายหัวข้อที่คล้ายกันจะใช้กลุ่มที่คล้ายกันของคำหัวข้อแฝงจึงค้นพบโดยการระบุกลุ่มของคำในคลังข้อมูลที่มักเกิดร่วมกันภายในเอกสาร ในวิธีนี้ lda รูปแบบเอกสารเป็นส่วนผสมแบบสุ่มมากกว่าหัวข้อที่แฝงด้วยแต่ละหัวข้อมีลักษณะของตัวเองโดยเฉพาะการกระจายมากกว่าคำพูด ใน รายงานฉบับนี้แสดงให้เห็นว่า lda ไม่ได้มีประโยชน์เฉพาะในข้อความโดเมน และโดเมน แต่ในรูปภาพเพลงโดยเฉพาะ เราหารือเกี่ยวกับขั้นตอนวิธีที่ขยาย lda เพื่อบรรลุงานเช่นการจำแนกเอกสารข้อความ , วัตถุที่จำกัดสำหรับภาพและการวิเคราะห์ฮาร์มอนิกอัตโนมัติสำหรับเพลง สำหรับแต่ละโดเมน เรายังเน้นแนวทางที่นอกเหนือไปจากแบบดั้งเดิม lda ถุงแทนคำพูดเพื่อให้สมจริงมากขึ้นแบบจำลองที่รวมข้อมูลการสั่งซื้อ