概率潜在语义分析

概率的潜在语义分析PLSA),也称为概率潜在语义索引PLSI,尤其是在信息检索领域),是用于分析双模和共现数据的统计方法。 实际上,人们可以根据对某些隐变量的亲和性来推导出观测变量的低维表示,就像PLSA是从潜在语义分析中演化而来。

与源于线性代数并缩小发生表(通常通过奇异值分解)的标准潜在语义分析所不同的是,概率潜在语义分析基于从潜类模型导出的混合分解。

模型

编辑
 
图模型表示的PLSA模型("不对称"式)。 是该文档的索引变量, 是一个词的来自文档的主题分布 的主题, 是一个来自主题的词分布 的单词。  可观测的变量,主题  是一个潜变量

考虑到以单词和文档的共现  形式进行的观察,PLSA将每次共现的概率建模为条件独立的多项分布的混合:

 

其中'c'是单词的主题。值得注意的是,模型的主题数量是一个超参数,必须提前设置而不是从数据中估计。第一个公式是对称式,其中   都是以类似的方式从潜变量  生成(基于条件概率   );而第二个公式是不对称的 ,对于每个文档  根据  有条件地从文档中选择潜在类  ,然后根据  从该类生成一个单词。虽然在这个例子中我们使用单词和文档建模,但是任何离散变量的共现也可以用完全相同的方式建模。

因此,模型参数的数量等于  ,参数数量随文档数量呈线性增长。此外,尽管PLSA是基于文档集的生成模型,但它并不是新文档的生成模型。

模型的参数使用最大期望算法(EM算法)学习得到。

应用

编辑

PLSA可以通过Fisher核函数用于判别设置。[1]

PLSA在信息检索和过滤、自然语言处理、文本机器学习及其他相关领域都有应用。

根据报告,概率潜在语义分析中使用的方面模型存在严重的过拟合问题。[2]

扩展

编辑
  • 分层扩展:
    • 不对称:MASHA(Multinomial ASymmetric Hierarchical Analysis,多项式非对称分层分析)[3]
    • 对称:HPLSA(Hierarchical Probabilistic Latent Semantic Analysis,分层概率潜在语义分析)[4]
  • 生成模型:已经开发了以下模型来解决经常被批评的PLSA缺点——它不是新文档的正确生成模型。
  • 高阶数据:尽管在科学文献中很少讨论这一点,但PLSA可以自然地扩展到更高阶数据(三种模式或更高阶),它可以模拟三个或更多变量的共现。在上面的对称公式中,这仅需要为这些附加变量添加条件概率分布就可以实现。这是非负张量因子分解的概率类比。

历史

编辑

这是潜类模型的一个特例(参见其中的参考文献),它与非负矩阵分解有关。[5][6]当前的术语是由Thomas Hofmann在1999年创造的。[7]

参见

编辑

参考文献

编辑
  1. ^ Thomas Hofmann, Learning the Similarity of Documents : an information-geometric approach to document retrieval and categorization页面存档备份,存于互联网档案馆), Advances in Neural Information Processing Systems 12, pp-914-920, MIT Press, 2000
  2. ^ Blei, David M.; Andrew Y. Ng; Michael I. Jordan. Latent Dirichlet Allocation (PDF). Journal of Machine Learning Research. 2003, 3: 993–1022 [2019-01-17]. doi:10.1162/jmlr.2003.3.4-5.993. (原始内容存档 (PDF)于2020-12-26). 
  3. ^ Alexei Vinokourov and Mark Girolami, A Probabilistic Framework for the Hierarchic Organisation and Classification of Document Collections, in Information Processing and Management, 2002
  4. ^ Eric Gaussier, Cyril Goutte, Kris Popat and Francine Chen, A Hierarchical Model for Clustering and Categorising Documents页面存档备份,存于互联网档案馆), in "Advances in Information Retrieval -- Proceedings of the 24th BCS-IRSG European Colloquium on IR Research (ECIR-02)", 2002
  5. ^ Chris Ding, Tao Li, Wei Peng (2006). "Nonnegative Matrix Factorization and Probabilistic Latent Semantic Indexing: Equivalence Chi-Square Statistic, and a Hybrid Method. AAAI 2006" 页面存档备份,存于互联网档案馆
  6. ^ Chris Ding, Tao Li, Wei Peng (2008). "On the equivalence between Non-negative Matrix Factorization and Probabilistic Latent Semantic Indexing"页面存档备份,存于互联网档案馆
  7. ^ Thomas Hofmann, Probabilistic Latent Semantic Indexing页面存档备份,存于互联网档案馆), Proceedings of the Twenty-Second Annual International SIGIR Conference on Research and Development in Information Retrieval (SIGIR-99), 1999

外部链接

编辑