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

 

图模型表示的PLSA模型("不对称"式)。${\displaystyle d}$ 是该文档的索引变量，${\displaystyle c}$ 是一个词的来自文档的主题分布${\displaystyle P(c|d)}$ 的主题，${\displaystyle w}$ 是一个来自主题的词分布${\displaystyle P(w|c)}$ 的单词。${\displaystyle d}$ 和 ${\displaystyle w}$ 是 可观测的变量，主题 ${\displaystyle c}$ 是一个潜变量。

考虑到以单词和文档的共现 ${\displaystyle (w,d)}$ 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：

${\displaystyle P(w,d)=\sum _{c}P(c)P(d|c)P(w|c)=P(d)\sum _{c}P(c|d)P(w|c)}$ 

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 ${\displaystyle w}$ 和 ${\displaystyle d}$ 都是以类似的方式从潜变量 ${\displaystyle c}$ 生成（基于条件概率 ${\displaystyle P(d|c)}$ 和 ${\displaystyle P(w|c)}$ ）；而第二个公式是不对称的 ，对于每个文档 ${\displaystyle d}$ 根据 ${\displaystyle P(c|d)}$ 有条件地从文档中选择潜在类 ${\displaystyle c}$ ，然后根据 ${\displaystyle P(w|c)}$ 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 ${\displaystyle cd+wc}$ ，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

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

• 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。
  • 潜在狄利克雷分配（LDA）——在每个文档-主题分布上添加狄利克雷先验
• 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

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

• 向量空间模型

参考文献

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 (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