LDA：隱含狄利克雷分佈（Latent Dirichlet Allocation，簡稱LDA）
定義:
-它是一種主題模型，它可以將文件集中每篇文件的主題以概率分佈的形式給出，從而通過分析一些文件抽取出它們的主題（分佈）出來後，便可以根據主題（分佈）進行主題聚類或文字分類。同時，它是一種典型的詞袋模型，即一篇文件是由一組詞構成，詞與詞之間沒有先後順序的關係。

而當我們看到一篇文章後，往往喜歡推測這篇文章是如何生成的，我們可能會認為作者先確定這篇文章的幾個主題，然後圍繞這幾個主題遣詞造句，表達成文。
LDA就是要幹這事：根據給定的一篇文件，推測其主題分佈。
通俗來說，可以假定認為人類是根據上述文件生成過程寫成了各種各樣的文章，現在某小撮人想讓計算機利用LDA幹一件事：你計算機給我推測分析網路上各篇文章分別都寫了些啥主題，且各篇文章中各個主題出現的概率大小（主題分佈）是啥。
簡單來說就是為一堆文章進行聚類（所以是非監督學習),一種topic就是一類，要聚成的topic數目是事先指定的。聚類的結果是一個概率，而不是布林型的100%屬於莫個類。
-最重要的兩個分佈：

–文件的主題分佈：即對於每個D中的文件d,對應到不同topic的概率θd < pt1,…, ptk >其中，pti表示d對應T中第i個topic的概率。計算方法是直觀的，pti=nti/n，其中nti表示d中對應第i個topic的詞的數目，n是d中所有詞的總數。
–主題中的詞分佈：即對於每個T中的topic t,生成不同的概率φt < pw1,…, pwm >，其中，pwi表示t生成VOC中第i個單詞的概率。計算方法同樣很直觀，pwi=Nwi/N，其中Nwi表示對應到topic t的VOC中第i個單詞的數目，N表示所有對應到topic t的單詞總數。

LDA的核心公式如下：

p(w|d) = p(w|t)*p(t|d)

-解析：直觀的看這個公式，就是以Topic作為中間層，可以通過當前的θd和φt給出了文件d中出現單詞w的概率。其中p(t|d)利用θd計算得到，p(w|t)利用φt計算得到。實際上，利用當前的θd和φt，我們可以為一個文件中的一個單詞計算它對應任意一個Topic時的p(w|d)，然後根據這些結果來更新這個詞應該對應的topic。然後，如果這個更新改變了這個單詞所對應的Topic，就會反過來影響θd和φt
-LDA演算法開始時，先隨機地給θd和φt賦值（對所有的d和t）。然後上述過程不斷重複，最終收斂到的結果就是LDA的輸出