转载自

基于LDA的Topic Model变形最近几年来，随着LDA的产生和发展，涌现出了一批搞Topic Model的牛人。我主要关注了下面这位大牛和他的学生：

David M. BleiLDA的创始者，04年博士毕业。一篇关于Topic Model的博士论文充分体现其精深的数学概率功底；而其自己实现的LDA又可体现其不俗的编程能力。说人无用，有论文为证：

• J. Chang and D. Blei. Relational Topic Models for Document Networks. Artificial Intelligence and Statistics, 2009. []

       基本LDA模型，当然假设文档之间是可交换的，那么在原始的LDA中文档之间其实是认为条件独立的。而在实际情况中，往往不是这个样子的，文档间也许会存 在“social network”的这样的网络性质。如何结合内容和“social network”这两个特征也许是一个非常有意思的话题。这篇论文就是给出了一个解决方法。它为两个文档之间增加了一个二元随机变量，根据其内容特征，来 刻画这种隐含的链接关系。

       关于显示的链接关系是过去今年内，人们追逐研究的对象，进而产生PageRank、HITS等等一大批优秀的链接关系算法。那么如何利用隐含的链接呢？什 么是隐含的链接呢？一个最简单的隐含链接就是基于内容相似度构建的图。这个被人们用的不亦乐乎，比如在文摘中的LexRank等。O Kurland在SIGIR中发了两篇大概都是类似的文章，本质思想貌似就是在利用内容之间的“超链接”。

       另外一个比较新颖的研究点，就是如何基于“social network”来挖掘内容特征？ Mei Qiaozhu的一篇论文就是利用“social network”的网络结构特征最为规则化因子，重新修正了原始的PLSA模型。想法非常的新颖。

• D. Blei and J. Lafferty. Topic Models. In A. Srivastava and M. Sahami, editors, Text Mining: Theory and Applications. Taylor and Francis, in press. []

    这篇论文是一篇综述性的大制作的论文，Blei在里面深入浅出的介绍了什么是Topic Model以及他早期的一些Topic Model的变形。值得大家去阅读。

• J. Boyd-Graber and D. Blei. Syntactic Topic Models. Neural Information Processing Systems, 2009. [] []

   原始的LDA考察两个词只是基于共现的角度。而实际情况中，这种共现往往是不能够精确地刻画一些句子结构信息或者说词义信息。如何把这种信息引入。考虑 更深层的生成模型是目前一个热点。这篇论文着眼于一个句子的句法分析的生成过程，它认为每个句子的生成都是基于“parse tree”的，整个概率生成过程完全附着在“parse tree”上了。并且每个句子内，不同的词都有可能去选择更适合自己的Topic。

   

• D. Blei, J. McAuliffe. Supervised topic models. In Advances in Neural Information Processing Systems 21, 2007.  []

   现如今，网络数据除了纯内容外，往往还有其他一写辅助信息，如用户对于某博文的评价或者说用户对于某商品的评价。一个最典型的例子，就是说在当当买书 后，你可以给该书的质量进行打分：5星代表最好，4星代表比较好，。。。依次类推。那么如何把这些信息加入原始的LDA中呢？ Blei为其引入了一个response变量因子，该因子条件依赖于该文档的topic distribution。

    如何把ratable information和内容有机地结合起来也是最近的一个研究热点。大多数方法还都是，建立一个ratable response variable，然后该变量条件依赖于内容或者说Topic信息。

• J. Boyd-Graber, D. Blei, and X. Zhu. A topic model for word sense disambiguation. In Empirical Methods in Natural Language Processing, 2007. 

    这篇论文对应的一个大背景是把Topic Model应用到自然语言处理中，具体内容我没太看，主要是结合了WordNet的结构特征，在此基础上产生的图模型。

    此外的一些工作还有把Topic Model用来文摘和词性标注中的。应用到这些问题的两个主要思路：第一个就是用Topic Model去学习出一些compact features，然后在次基础上利用分类器等机器学习方法；另外一种就是利用原始NLP问题的一些结构信息，比如刚才所说的WordNet中的网络结 构，在这个结构特征中推导出整个图模型的概率生成过程。

• D. Blei and J. Lafferty. A correlated topic model of Science. Annals of Applied Statistics. 1:1 17–35. [] [ from NIPS 18] [][]

   还没有认真看，这个其实打破了原来topic之间的可交换性。

• D. Blei and J. Lafferty. Dynamic topic models. In Proceedings of the 23rd International Conference on Machine Learning, 2006. []

   也没有仔细看，把Topic Model和时间维度结合了起来。Mei Qiaozhu也有一篇是研究话题内容随着时间变化的论文，但是是基于PLSI和HMM来完成的。

    

• T. Griffiths, M. Steyvers, D. Blei, and J. Tenenbaum. Integrating topics and syntax. In Advances in Neural Information Processing Systems 17, 2005. []

   这篇论文是一篇非常优秀的论文，开篇详细地叙述了词的不同功能分类，也叫做HMM-LDA模型。正如每个人存在都有其社会意义，那么词存在对于文本语义 的表述也有着不同的角色。作者把词分为了两大功能：第一个就是semantic功能，也就是之前我们所有的Topic word；另一个功能就是说语法功能，也就是说这些词的存在是为了让整个句子的生成过程看起来更像一个完整体或者说更符合语言规范。T. Griffiths和M. Steyvers是两个很优秀的学者，他们开发了topic model工具包，并且也有一堆的牛论文。

• D. Blei. Probabilistic Models of Text and Images. PhD thesis, U.C. Berkeley, Division of Computer Science, 2004. []

   Blei的博士论文，我至今还没有看完，因为一直纠结在那个Varitional inference的推导。自己责备一下自己。

• D. Blei, A. Ng, and M. Jordan. Latent Dirichlet allocation. Journal of Machine Learning Research, 3:993–1022, January 2003. [A shorter version appeared in NIPS 2002]. [] []

        LDA的第一篇文章，不算很好读懂。初次阅读时，一般会遇到可交换性、variational inference、simplex等等细节问题。经典中的经典。

• D. Blei and P. Moreno. Topic segmentation with an aspect hidden Markov model. In Proceedings of the 24th annual international ACM SIGIR conference on Research and development in information retrieval, pages 343–348. ACM Press, 2001. []

   SIGIR中的一篇关于分段的论文。其实分段这个事情在现实中需求量比较大，但是成熟的工具包并不多，或者我不知道。比较好的成熟的算法一般还是基于语 义斜率的变化来计算的。在次召唤下懂这方面的大牛推荐几个好用的工具。与分段关联很紧密的一个问题就是网页正文抽取，同样也是这个问题，发论文的多，但是 实际release出来代码的很少。比较著名的，如VIPS，但是我没有用过。昨天发现VIPS的作者原来也是一个巨牛的中国人，Deng Cai。之前是清华学生，现在师从Jiawei Han，各种牛会议和牛期刊发了N多的文章。在此膜拜一下。

总结       目前我能看懂的Topic Model的文章还是很少一部分，自己的概率和数学基础太差，对于posterior inference往往无能为力，这也是下一步我的目标。并且自己其实也不太会创新，下一步也是要在这个方面多下功夫，争取应用Topic Model来解决自己的实际问题。