More formally, the LDA process for

More formally, the LDA process for generating a document is:
1. For each document D, pick a multinomial distribution θD from a Dirichlet
distribution with parameter α.
2. For each word position in documentD:
a) Pick a topic z from the multinomial distribution θD.
b) Choose a word w from P(w|z, β), a multinomial probability conditioned
on the topic z with parameter β.
A variety of techniques are available for learning the topic models and the θ
distributions using the collection of documents as the training data, but all of
these methods tend to be quite slow. Once we have these distributions, we can
produce language model probabilities for the words in documents:

ผลลัพธ์ (ไทย) 1:

เพิ่มเติมอย่างเป็นทางการ LDA กระบวนการสำหรับการสร้างเอกสารเป็น:1. สำหรับแต่ละเอกสาร D เลือก θD แจกก็ตามจาก Dirichlet เป็นการแจก ด้วยพารามิเตอร์α2. สำหรับแต่ละตำแหน่งคำใน documentD:ก) เลือก z ในหัวข้อจาก θD แจกก็ตามข) เลือกคำ w P (w | z β), ความน่าเป็นก็ตามติดใน z หัวข้อกับพารามิเตอร์βมีเทคนิคต่าง ๆ สำหรับการเรียนรู้แบบหัวข้อและให้ค่าθการกระจายโดยใช้การเก็บรวบรวมเอกสารข้อมูลการฝึกอบรม แต่ทั้งหมดวิธีการเหล่านี้มักจะค่อนข้างช้า เมื่อเรามีกระจายเหล่านี้ เราสามารถผลิตน่าจะรุ่นภาษาสำหรับคำในเอกสาร:

ผลลัพธ์ (ไทย) 2:

อีกอย่างเป็นทางการกระบวนการ LDA ในการสร้างเอกสารเป็น:
1 สำหรับเอกสารแต่ละ D, การเลือกθDกระจายพหุนามจาก Dirichlet
การกระจายกับพารามิเตอร์α.
2 สำหรับแต่ละตำแหน่งคำใน documentD:
ก) เลือกหัวข้อ Z จากθDกระจายพหุนาม.
ข) เลือกคำ W จาก P (W | Z, β) ความน่าจะเป็นพหุนามปรับอากาศ
ใน Z หัวข้อกับพารามิเตอร์β.
ความหลากหลายของ เทคนิคที่มีอยู่สำหรับการเรียนรู้ในรูปแบบที่หัวข้อและθ
การกระจายการใช้คอลเลกชันของเอกสารที่เป็นข้อมูลการฝึกอบรม แต่ทั้งหมดของ
วิธีการเหล่านี้มีแนวโน้มที่จะค่อนข้างช้า เมื่อเรามีการกระจายเหล่านี้เราสามารถ
ผลิตน่าจะเป็นรูปแบบภาษาคำในเอกสาร:

ผลลัพธ์ (ไทย) 3:

อีกอย่าง กระบวนการ lda สำหรับสร้างเอกสาร :1 . สำหรับเอกสารแต่ละ D เลือกโดยการกระจายθ D จากดีริชเลต์ที่มีการกระจายαพารามิเตอร์2 . สำหรับแต่ละคำ ตำแหน่ง ใน documentd :) เลือกหัวข้อ Z จากวิธีกระจายθ Dข ) เลือกคำ W จาก P ( W | Z , บีตา ) , ความน่าจะเป็น ( วิธีในหัวข้อ Z กับบีตาพารามิเตอร์ความหลากหลายของเทคนิคที่ใช้ได้สำหรับการเรียนแบบ และθการใช้คอลเลกชันของเอกสารที่เป็นข้อมูลการฝึก แต่ทั้งหมดของวิธีการเหล่านี้มีแนวโน้มที่จะค่อนข้างช้า เมื่อเราได้ข้อมูลเหล่านี้เราสามารถผลิตภาษาแบบจำลองความน่าจะเป็นของคำต่างๆ