In this work, each text description

In this work, each text description will be represented with the posterior Dirichlet random variable θ which represents the topic distribution over k latent topics. However, it is not computationally feasible to learn the model directly from a given database, because it requires computing p(w|α, β) which includes intractable integral operations.

ผลลัพธ์ (ไทย) 1:

ในงานนี้ คำอธิบายแต่ละข้อความจะถูกแสดง ด้วย Dirichlet แปรสุ่มค่าθหลังซึ่งแสดงถึงการกระจายหัวข้อผ่านหัวข้อแฝง k อย่างไรก็ตาม ไม่ computationally เหมาะสมในการเรียนรู้รูปแบบโดยตรงจากฐานข้อมูล กำหนดเนื่องจากต้องคำนวณ p (w | α β) ซึ่งรวมถึงการดำเนินงานที่สำคัญเข้า

ผลลัพธ์ (ไทย) 2:

ในงานนี้คำอธิบายข้อความแต่ละคนจะถูกแทนด้วยหลัง Dirichlet สุ่มθตัวแปรซึ่งหมายถึงการกระจายหัวข้อมากกว่า K หัวข้อแฝง แต่ก็เป็นไปไม่ได้ที่จะเรียนรู้คอมพิวเตอร์รุ่นโดยตรงจากฐานข้อมูลที่กำหนดเพราะต้องใช้คอมพิวเตอร์ P (W | α, β) ซึ่งรวมถึงการดำเนินงานหนึ่งว่ายาก

ผลลัพธ์ (ไทย) 3:

ในงานนี้ แต่ละข้อความจะถูกแสดงด้วยคำอธิบายของตัวแปรสุ่มθดีริชเลต์ซึ่งเป็นหัวข้อการกระจายผ่านหัวข้อ K แฝง อย่างไรก็ตาม มันไม่ได้ computationally เป็นไปได้ที่จะเรียนรู้รูปแบบโดยตรงจากฐานข้อมูลที่ได้รับ เพราะมันต้องใช้คอมพิวเตอร์ p ( W | αบีตาซึ่งรวมถึงการดำเนินงาน , ) เป็นแก่นแก้ว