LFM（MF分解技术）、LSI（SVD分解）、PLSI（EM）、LDA

隐语义模型LFM和LSI，PLSI，LDA，Topic Model其实都属于隐含语义分析技术，是一类概念，他们在本质上是相通的，都是找出潜在的主题或分类。这些技术一开始都是在文本挖掘领域中提出来的，近些年它们也被不断应用到其他领域中，并得到了不错的应用效果。比如，在推荐系统中它能够基于用户的行为对item进行自动聚类，也就是把item划分到不同类别/主题，这些主题/类别可以理解为用户的兴趣。

主题模型：Topic Model

topic model是针对文本隐含主题的建模方法，针对第一个case，马云对应的主题是阿里巴巴，阿里巴巴集团也隐含阿里巴巴主题，这样两个文本的主题匹配上，认为他们是相关的，针对第二个，分别针对水果以及手机主题，我们认为他们是不相关的。

究竟什么是主题？主题就是一个概念、一个方面。它表现为一系列相关的词，能够代表这个主题。比如如果是”阿里巴巴“主题，那么”马云“”电子商务“等词会很高的频率出现，而设计到”腾讯“主题，那么“马化腾”“游戏”“QQ”会以较高的频率出现。如果用数学来描述一下的话，主题就是词汇表上词语的条件概率分布，与主题密切相关的词，条件概率p(w|z)越大。主题就像一个桶，装了出现频率很高的词语，这些词语和主题有很强的相关性，或者说这些词语定义了这个主题。同时，一个词语，可能来自于这个桶，也可能来自那个桶，比如“电子商务”可以来自“阿里巴巴”主题，也可以来自“京东“主题，所以一段文字往往包含多个主题，也就是说，一段文字不只有一个主题。

上面介绍了主题的概念，我们最为关心的是如何得到这些主题？这就是topic model要解决的问题。

define： d表示文档，w表示词语，z表示隐含的主题。

p(w|d)=∑zp(w|z)p(z|d)

其中p(w|d)表示w在文档d中出现的概率，针对训练语料，对文本进行分词，w的频度除以文档所有词语的频度和，可以求出，对于未知数据，model用来计算该value.

p(w|z)表示在给定主题情况下词语的出现的概率是多少，刻画词语和主题的相关程度。

p(z|d)表示文档中每个主题出现的概率

所以主题模型就是 利用大量已知的p(w|d)词语-文档信息，训练出来主题-文档p(z|d)以及词语-主题p(w|z)。

主题模型的用途：

1.计算文本的相似性，考虑到文本语义，更好的刻画文本相似性，避免多义词，同义词的影响

2.文本聚类，用户聚类(RS)

3.去除噪音，只保留最重要的主题，更好的刻画文档

1. LFM：隐语义模型，MF分解

最终的用户评分矩阵（混淆矩阵）=P* Q

P矩阵代表了 user-class

Q矩阵代表了class-item

class:根据自动聚类算法获得几个类标签；

P、Q中的参数通过模型学习得到：

计算损失函数：随机梯度下降法，使得损失值最小；

参考文献：http://blog.csdn.net/harryhuang1990/article/details/9924377

2. LSI（LSA）模型：基于SVD分解

LSI: Latent Semantic Analysis (Latent Semantic Indexing)

背景：

传统的信息检索中：将单词作为特征，构造特征向量；计算查询单词与文档间的相似度；

但是没有考虑到语义、同义词等相关信息；

在基于单词的检索方法中，同义词会降低检索算法的召回率(Recall)，而多义词的存在会降低检索系统的准确率(Precision)

我们希望找到一种模型，能够捕获到单词之间的相关性。如果两个单词之间有很强的相关性，那么当一个单词出现时，往往意味着另一个单词也应该出现(同义 词)；反之，如果查询语句或者文档中的某个单词和其他单词的相关性都不大，那么这个词很可能表示的是另外一个意思(比如在讨论互联网的文章中，Apple 更可能指的是Apple公司，而不是水果)  。

LSA(LSI)使用SVD来对单词-文档矩阵进行分解。SVD可以看作是从单词-文档矩阵中发现不相关的索引变量(因子)，将原来的数据映射到语义空间内。在单词-文档矩阵中不相似的两个文档，可能在语义空间内比较相似。

SVD，亦即奇异值分解，是对矩阵进行分解的一种方法，一个t*d维的矩阵(单词-文档矩阵)X，可以分解为T*S*DT， 其中T为t*m维矩阵，T中的每一列称为左奇异向量(left singular vector)，S为m*m维对角矩阵，每个值称为奇异值(singular value)，D为d*m维矩阵,D中的每一列称为右奇异向量。在对单词文档矩阵X做SVD分解之后，我们只保存S中最大的K个奇异值，以及T和D中对应 的K个奇异向量，K个奇异值构成新的对角矩阵S’，K个左奇异向量和右奇异向量构成新的矩阵T’和D’：X’=T’*S’*D’T形成了一个新的t*d矩阵。

还原后的X’与X差别很大，这是因为我们认为之前X存在很大的噪音，X’是对X处理过同义词和多义词后的结果。

在查询时，对与每个给定的查询q，我们根据这个查询中包含的单词(Xq)构造一个伪文档：Dq=XqTS-1，然后该伪文档和D’中的每一行计算相似度(余弦相似度)来得到和给定查询最相似的文档。

参考：http://www.cnblogs.com/kemaswill/archive/2013/04/17/3022100.html

3. PLSI：基于概率LSI

尽管基于SVD的LSA取得了一定的成功，但是其缺乏严谨的数理统计基础，而且SVD分解非常耗时。Hofmann在SIGIR'99上提出了基于概率统计的PLSA模型，并且用EM算法学习模型参数。PLSA的概率图模型如下:

参考文献：http://san-yun.iteye.com/blog/1966653

                 http://blog.csdn.net/yangliuy/article/details/8330640

3. LDA(推荐系统应用）：

回顾：

主题模型就是 利用大量已知的p(w|d)词语-文档信息，训练出来主题-文档p(z|d)以及词语-主题p(w|z)；在LDA模型中，主题-文档分布是α，词语-主题分布是β；

对于数据集D中的每个文档w，LDA假定了如下的生成过程：

LDA是一个三层的模型，α,β是全局超参数，采样一次即可。θd是文档级别的变量，每生成一个文档时采样一次。zn,wn是单词级别的变量，每生成一个单词时采样一次

（1）选择一个N~Poisson(ϵ)，N是该文档中单词的个数；

（2）选择一个θ~Dir(α)，θ是主题分布所服从Dirichet(α)的参数；

（3）对于文档中的每一个词wn：

        a.选择一个主题zn~Multinomial(θ)；每个主题服从多项式分布；

        b.在选定主题zn后，在该主题对应的词分布中选择一个单词wn，它的概率是p(w|zn,β)。wn~Multinomial(β);，

补充：

伯努利分布： 0-1分布；

二项分布：多个伯努利分布

多项式分布：有多个结果，伯努利分布的扩展

beta分布：来源于二项分布，是二项分布的共轭先验；x~U(0,1)，随机采样后，排序之后的分布即为beta分布；

狄雷克类分布：多变量的bata分布

从Dirichet(α)中获得一篇文档的主题分布函数θ，作为先验分布；θ是文档级别的；

D：数据集D中包含M个文档，D=w1,w2,…,wM；w：每个文档中有N个单词，w=(w1,w2,...,wN)，wn是文档词序列的第n个词；

z：z代表一个主题，是一个k维向量，k是主题个数，第k个主题可以表示为：zk=1,zj=0,k≠j，所以每个z是一个单位向量；

w：w代表一个词，是一个V维向量，V是总词典的大小，词典中第v个词可以表示为：wv=1,wu=0,u≠v，所以每个w都是一个单位向量；

α：是狄利克雷分布的参数，是我们要估计的参数；

β：是一个k*V的矩阵，k是主题个数，V是词典个数，β(i,j)代表主题zi中单词wj的概率，也就是说，β中存储的是主题-词分布，是我们要估计的参数。

概率模型图，我们可以得到如下概率公式：

θ服从多项式分布，我们最终获得一topic分布

给定α,β，根据文档生成的过程，可以得到，主题分布的参数θ，N个主题的集合z，N个单词的集合w，的联合分布：

N 个主题，N个单词 求得W的边缘分布

目标：从给定的文档和word中，学习出一个topic分布模型，取对数似然：

wd是词语一篇文档的词语集合，有M篇文档

算法如下：

3.1 Gamma函数 

3.2 二项分布

3.3 Beta 分布

参考http://blog.csdn.net/happyer88/article/details/45936107

http://www.cnblogs.com/lixiaolun/p/4455764.html

http://blog.csdn.net/zhaoyin654/article/details/49153999

4. MF（矩阵分解一致）

http://blog.csdn.net/litoupu/article/details/16944359