Ағылшыншамен салыстырыңыз: абзацты басыңыз — түпнұсқа терезеде ашылады. Абзац астындағы EN түймесі оны мәтін ішінде көрсетеді.
Мазмұны
Кіріспе
Ықтималдық модель
Probability model
Табиғи тілді өңдеуде, жасырын Дирихлет бөлінісі (LDA) – мәтіндік корпустарда автоматты түрде ізделген тақырыптарды модельдеуге арналған Байес желісі (және, демек, генеративтік статистикалық модель). LDA – Бейес тақырыптық моделінің мысалы. Онда байқаулар (мысалы, сөздер) құжаттарға жиналады және әрбір сөздің болуы құжаттың бір тақырыбына байланысты болады. Әрбір құжатта бірнеше тақырып кездеседі.
In natural language processing, latent Dirichlet allocation (LDA) is a Bayesian network (and, therefore, a generative statistical model) for modeling automatically extracted topics in textual corpora. The LDA is an example of a Bayesian topic model. In this, observations (e. g., words) are collected into documents, and each word's presence is attributable to one of the document's topics. Each document will contain a small number of topics.
Тарих
Халық генетикасы саласында LDA 2000 жылы J. K. Pritchard, M. Stephens және P. Donnelly ұсынған. LDA 2003 жылы Дэвид Блей, Эндрю Нг және Майкл И. Джордан машиналық оқытуға қолданған.
In the context of population genetics, LDA was proposed by J. K. Pritchard, M. Stephens and P. Donnelly in 2000. LDA was applied in machine learning by David Blei, Andrew Ng and Michael I. Jordan in 2003.
Эволюциялық биология және биомедицина
Эволюциялық биология және биомедицинада бұл модель жеке адамдар тобындағы құрылымдалған генетикалық айырмашылықтың болуын анықтау үшін қолданылады. Модельде зерттелуші адамдардың тасымалдаған аллельдері қазіргі немесе бұрынғы әртүрлі популяциялардан шыққан деп есептеледі. Модель және түрлі қорытынды шығару алгоритмдері ғалымдарға осы бастапқы популяциялардағы аллельдердің жиілігін және зерттелуші адамдардың тасымалдаған аллельдерінің тегін бағалауға мүмкіндік береді. Бастапқы популяциялар әртүрлі эволюциялық сценарийлер тұрғысынан кейіннен түсіндірілуі мүмкін. Қатысу зерттеулерінде генетикалық құрылымның болуын анықтау, шатастыруды болдырмау үшін қажетті алдын ала кезең болып саналады.
In evolutionary biology and bio medicine, the model is used to detect the presence of structured genetic variation in a group of individuals. The model assumes that alleles carried by individuals under study have origin in various extant or past populations. The model and various inference algorithms allow scientists to estimate the allele frequencies in those source populations and the origin of alleles carried by individuals under study. The source populations can be interpreted ex post in terms of various evolutionary scenarios. In association studies, detecting the presence of genetic structure is considered a necessary preliminary step to avoid confounding.
Клиникалық психология, психикалық денсаулық және әлеуметтік ғылымдар
Клиникалық психология зерттеулерінде LDA жас адамдардың әлеуметтік жағдайларда бастан өткерген өзіндік бейнелерінің ортақ тақырыптарын анықтау үшін қолданылды. Басқа әлеуметтік ғалымдар LDA-ны әлеуметтік желілердегі талқылаулардан алынған үлкен көлемдегі тақырыптық деректерді (мысалы, рецепт бойынша тағайындалған дәрі-дәрмектер туралы твиттерді) зерттеу үшін пайдаланды.
In clinical psychology research, LDA has been used to identify common themes of self images experienced by young people in social situations. Other social scientists have used LDA to examine large sets of topical data from discussions on social media (e. g., tweets about prescription drugs).
Музыкатану
Компьютерлік музыктану саласында LDA түрлі деректер жиынтығындағы тональдық құрылымдарды анықтау үшін қолданылды.
In the context of computational musicology, LDA has been used to discover tonal structures in different corpora.
Вариациялық Бейес
Түпкі ML мақаласында артқы таралудың вариациялық Бейес жуықтауы қолданылған.
The original ML paper used a variational Bayes approximation of the posterior distribution.
Белгісіз популяция саны/тақырыптар
Іс жүзінде, популяциялардың немесе тақырыптардың оңтайлы саны алдын ала белгісіз. Оны кері қайтарылатын Марков тізбегі Монте-Карло әдісімен артқы таралымды жуықтау арқылы бағалауға болады. Жақындағы зерттеулер көптеген құжаттардағы көптеген тақырыптарды анықтауды қолдау үшін жасырын Дирихлет бөлімін жылдамдатуға бағытталған. Бұрынғы бөлімде айтылған құлдыраған Гиббс үлгілеуішіннің жаңарту теңдеуі ішінде пайдалануға болатын табиғи сиректікке ие. Интуитивті түрде, әрбір құжат тек тақырыптардың бір бөлігін ғана қамтиды, ал әрбір сөз де тек тақырыптардың бір бөлігінде ғана кездеседі, сондықтан жоғарыдағы жаңарту теңдеуін осы сиректікті пайдалану үшін қайта жазуға болады. Бұл теңдеуде үш мүше бар, олардың екеуі сирек, ал үшіншісі шағын. Бұл мүшелерді және деп атаймыз. Егер әрбір мүшені барлық тақырыптар бойынша қосып нормалдасақ, мынаны аламыз:
In practice, the optimal number of populations or topics is not known beforehand. It can be estimated by approximation of the posterior distribution with reversible jump Markov chain Monte Carlo. Recent research has been focused on speeding up the inference of latent Dirichlet allocation to support the capture of a massive number of topics in a large number of documents. The update equation of the collapsed Gibbs sampler mentioned in the earlier section has a natural sparsity within it that can be taken advantage of. Intuitively, since each document only contains a subset of topics , and a word also only appears in a subset of topics , the above update equation could be rewritten to take advantage of this sparsity. In this equation, we have three terms, out of which two are sparse, and the other is small. We call these terms and respectively. Now, if we normalize each term by summing over all the topics, we get:
Мұнда, құжатта кездесетін тақырыптардың қосындысы екенін көреміз, ал корпустағы сөз тағайындалған тақырыптардың сирек қосындысы болып табылады. Ал бірқатар тығыз, бірақ және шағын мәндерге ие болғандықтан, ол басқа екі мүшемен салыстырғанда өте кішкентай. Енді, тақырыпты үлгілеген кезде, егер біз ішіндегі кездейсоқ айнымалыны біркелкі түрде таңдасақ, біздің үлгіміз қай топқа түсетінін тексеруге болады. шағын болғандықтан, осы топқа түсуіміздің ықтималдығы өте төмен; алайда, егер біз осы топқа түссек, тақырыпты үлгілеуге уақыт кетеді (алғашқы құлдыраған Гиббс үлгілеуіші сияқты). Бірақ егер біз қалған екі топтың біріне түссек, сирек тақырыптардың тізімін сақтап отырсақ, тек тақырыптардың бір бөлігін тексеруіміз керек. Тақырыпты тобынан уақытта үлгілеуге болады, ал тақырыпты тобынан уақытта үлгілеуге болады, мұнда және сәйкесінше ағымдағы құжатқа және ағымдағы сөз түріне тағайындалған тақырыптардың санын білдіреді. Әрбір тақырыпты үлгілегеннен кейін осы топтарды жаңарту – қарапайым арифметикалық операциялар.
Here, we can see that is a summation of the topics that appear in document , and is also a sparse summation of the topics that a word is assigned to across the whole corpus. on the other hand, is dense but because of the small values of & , the value is very small compared to the two other terms. Now, while sampling a topic, if we sample a random variable uniformly from , we can check which bucket our sample lands in. Since is small, we are very unlikely to fall into this bucket; however, if we do fall into this bucket, sampling a topic takes time (same as the original Collapsed Gibbs Sampler). However, if we fall into the other two buckets, we only need to check a subset of topics if we keep a record of the sparse topics. A topic can be sampled from the bucket in time, and a topic can be sampled from the bucket in time where and denotes the number of topics assigned to the current document and current word type respectively. Notice that after sampling each topic, updating these buckets is all basic arithmetic operations.
Байланысты үлгілер
Тақырыпты модельдеу – байланысты деректерді және семантикалық веб технологиясын қолдана отырып, ақпаратты іздеу мәселесінің классикалық шешімі. Қатысты модельдер мен техникалардың арасында жасырын семантикалық индекстеу, тәуелсіз компоненттік талдау, ықтималдық жасырын семантикалық индекстеу, теріс емес матрицалық факторлау және Гамма-Пуассон үлестірімі бар. LDA моделі жоғары модульдік және сондықтан оны оңай кеңейтуге болады. Басты қызығушылық саласы – тақырыптар арасындағы қатынастарды модельдеу. Бұл Дирихле орнына симплексте басқа үлестірімді пайдалану арқылы жүзеге асырылады. Корреляциялық тақырыптық модель осы тәсілді қолданады, Дирихле орнына логистикалық қалыпты үлестірімді қолдану арқылы тақырыптар арасындағы корреляциялық құрылымды тудырады. Тағы бір кеңейту – иерархиялық LDA (hLDA), онда тақырыптар деректерден үйренетін ұялы қытай мейрамханасы процесін қолдана отырып, иерархияда біріктіріледі. LDA сондай-ақ LDA екіұшты моделіндегідей, құжат екі түрлі ақпаратты қамтитын корпусқа (мысалы, сөздер мен есімдер) кеңейтілуі мүмкін. LDA-ның параметрлік емес кеңейтулері иерархиялық Дирихле процесінің қоспа моделін қамтиды, ол тақырыптардың санын шексіз етуге және деректерден үйренуге мүмкіндік береді. Бұрын айтқандай, pLSA LDA-ға ұқсас. LDA моделі, негізінен, pLSA моделінің Байес нұсқасы болып табылады. Байес формуласы кішкентай деректер жиынтығында жақсы нәтижелер береді, өйткені Байес әдістері деректерді асыра бағалаудан сақтай алады. Өте үлкен деректер жиынтығы үшін екі модельдің нәтижелері де жақындасады. Бір айырмашылық – pLSA оқу жиынтығындағы құжатты көрсету үшін айнымалы қолданады. Сондықтан, pLSA-да модель бұрын көрмеген құжатты алғанда, біз «тақырыптар бойынша сөздердің ықтималдығын» оқу жиынтығынан алынған мәнге бекітеміз және сол EM алгоритмін «тақырыптардың үлестірімін» анықтау үшін қолданамыз. Блей бұл қадамды алдау деп санайды, себебі сіз жаңа деректерге модельді қайта үйлестіресіз.
Topic modeling is a classic solution to the problem of information retrieval using linked data and semantic web technology. Related models and techniques are, among others, latent semantic indexing, independent component analysis, probabilistic latent semantic indexing, non negative matrix factorization, and Gamma Poisson distribution. The LDA model is highly modular and can therefore be easily extended. The main field of interest is modeling relations between topics. This is achieved by using another distribution on the simplex instead of the Dirichlet. The Correlated Topic Model follows this approach, inducing a correlation structure between topics by using the logistic normal distribution instead of the Dirichlet. Another extension is the hierarchical LDA (hLDA), where topics are joined together in a hierarchy by using the nested Chinese restaurant process, whose structure is learnt from data. LDA can also be extended to a corpus in which a document includes two types of information (e. g., words and names), as in the LDA dual model. Nonparametric extensions of LDA include the hierarchical Dirichlet process mixture model, which allows the number of topics to be unbounded and learnt from data. As noted earlier, pLSA is similar to LDA. The LDA model is essentially the Bayesian version of pLSA model. The Bayesian formulation tends to perform better on small datasets because Bayesian methods can avoid overfitting the data. For very large datasets, the results of the two models tend to converge. One difference is that pLSA uses a variable to represent a document in the training set. So in pLSA, when presented with a document the model has not seen before, we fix —the probability of words under topics—to be that learned from the training set and use the same EM algorithm to infer —the topic distribution under Blei argues that this step is cheating because you are essentially refitting the model to the new data.
Ғарыштық модельдер
Эволюциялық биологияда, байқалатын жеке тұлғалардың географиялық орналасуы олардың тегі туралы ақпарат береді деп есептеу жиі кездеседі. Бұл, геожүйеленген генетикалық деректерге арналған түрлі модельдердің негізгі қағидасы. LDA-ның түрлері табиғи кескіндерді "жатын бөлме" немесе "орман" сияқты санаттарға автоматты түрде жіктеу үшін қолданылды, мұнда кескін құжат ретінде, ал кескіннің кішкентай бөліктері сөздер ретінде қарастырылады; осы түрлердің бірі кеңістіктік жасырын Дирихлет бөлісі деп аталады.
In evolutionary biology, it is often natural to assume that the geographic locations of the individuals observed bring some information about their ancestry. This is the rational of various models for geo referenced genetic data. Variations on LDA have been used to automatically put natural images into categories, such as "bedroom" or "forest", by treating an image as a document, and small patches of the image as words; one of the variations is called spatial latent Dirichlet allocation.