Latent Dirichlet Allocation

Latent Dirichlet allocation (LDA) ist ein von David Blei, Andrew Ng und Michael I. Jordan vorgestelltes generatives Wahrscheinlichkeitsmodell für Dokumente wie Text- oder Bildkorpora. Dabei wird jedes Korpuselement, oft Dokument genannt, als eine Mischung von verschiedenen zugrundeliegenden Themen (eng. latent topics) betrachtet. Jedes sichtbare Wort im Dokument ist wiederum einem Thema zugeordnet. Diese Themen, deren Anzahl zu Beginn mit k festgelegt wird, erklären Ähnlichkeiten zwischen Dokumenten. So wären mögliche Themen in Bildkorpora z.B. Himmel, Wiese oder Straße; in Textkorpora abstraktere Inhalte, wie Sport, Politik oder Bildung.

Weiteres empfehlenswertes Fachwissen

Was ist der richtige Weg, um die Wiederholbarkeit bei Waagen zu überprüfen?

Wie kann man Pipetten schnell überprüfen?

Wie erhalten Sie Tag für Tag genaue Wägeresultate?

LDA wurde als ein grafisches Modell im Jahr 2003 präsentiert. Es dient u.a. zur Dokumentmodellierung, Text Klassifikation, Information Retrieval, Collaborative Filtering oder dem Finden von neuen Inhalten in Textkorpora. Andere Anwendungen finden sich im Bereich der Bioinformatik.

Externe Referenzen

• Blei, D. M., Ng, A. Y., and Jordan, M. I. 2003. Latent dirichlet allocation. Journal of Machine Learning Research. 3:993-1022. Mar. 2003.
• LDA Implementierung in C von Prof. Blei.