关于EM算法和PLSA的读书笔记，鼓捣了半天搞不定网页直接显示，直接放PDF下载！..麻烦的不是显示数学公式，而是如何从latex转换到html格式，用了好几个都不甚满意。若干期望：

1. 数学公式不要被转换到图片，保留tex格式
2. 要有交叉引用和参考文献

tex4ht转换得来的html文件，span格式符一大堆，太难看了。

tex2page本来是最有前途的一款了，可惜数学公式被替换了，编辑起来会很麻烦...

PLSA的全称是Probabilitic Latent Sematic Analysic，用作IR的时候也被称为PLSI (Probabilistic Latent Sematic Indexing)。

下面简要介绍一下PLSA的基本思想。假设一共有 $K$ 个主题，文档 $d$ 的主题是这 $K$ 个主题的叠加，即 $(p(z_1 | d), p(z_2|d), \dots, p(z_K|d))$， 且 $\sum_{k=1}^K p(z_k|d)=1$ 。也就是说，每篇文档可以属于不同的主题。 每个主题 $z$ 是一个概率分布，关于单词的分布，即单词的分布决定了它是什么主题。 举个例子，“篮球”，“足球”这些词汇出现概率较高的话，会被认为是一个关于“体育”的主题。 而文档 $d$ 中每个单词 $w$ 被认为是由如下过程产生的：先从 $K$ 个主题中随机选择一个主题 $z_k$， 注意其服从多元分布 $\textrm{Multi} (p(z_1 | d), p(z_2|d), \dots, p(z_K|d))$，然后根据 $z_k$ 的单词分布 $p(w|z_k)$ 来随机选取一个单词...

 

下载PDF全文