主题模型三大基石：Unigram、LSA、PLSA详解与对比

🌟 主题模型演进图谱

文本建模三阶段：
词袋模型 → 潜在语义 → 概率生成
Unigram → LSA → PLSA → LDA

📦 基础模型：Unigram模型

核心假设

• 文档中每个词独立生成（词袋假设）

• 忽略词语顺序和语义关联

• 文档生成概率：P(d)=∏w∈dP(w)P(d)=∏w∈d​P(w)

数学表示

P(d)=∏i=1NP(wi)P(d)=∏i=1N​P(wi​)
其中：

• NN为文档词数

• P(wi)P(wi​)为词wiwi​的全局出现概率

🔍 潜在语义分析：LSA/LSI模型

核心思想

• 通过矩阵分解发现潜在语义维度

• 使用SVD分解词-文档矩阵

• 降维消除噪声，捕捉高阶关联

算法步骤

1. 构建词-文档矩阵Xm×nXm×n​

2. 奇异值分解：X=UΣVTX=UΣVT

3. 选择前kk个奇异值：X~=UkΣkVkTX~=Uk​Σk​VkT​

数学表示

文档向量：dj=ΣkVkT[:,j]dj​=Σk​VkT​[:,j]
词向量：wi=UkΣk[i,:]wi​=Uk​Σk​[i,:]

参数设置

from sklearn.decomposition import TruncatedSVDsvd = TruncatedSVD(n_components=100)  # 选择潜在维度k=100
lsa_matrix = svd.fit_transform(tfidf_matrix)

优缺点对比

优势	局限
有效缓解一词多义问题	无法处理新文档（冷启动）
数学理论严谨	可解释性较差
计算效率较高	负值语义解释困难

---

🎲 概率突破：PLSA模型

核心创新

• 引入隐变量z表示主题

• 概率框架建模文档生成过程

• 联合概率分解：
  P(d,w)=P(d)∑zP(z∣d)P(w∣z)P(d,w)=P(d)∑z​P(z∣d)P(w∣z)

生成过程

1. 以概率P(d)P(d)选择文档

2. 根据P(z∣d)P(z∣d)选择主题

3. 根据P(w∣z)P(w∣z)生成词语

EM算法求解

E-Step：计算主题后验概率
P(z∣d,w)=P(z∣d)P(w∣z)∑z′P(z′∣d)P(w∣z′)P(z∣d,w)=∑z′​P(z′∣d)P(w∣z′)P(z∣d)P(w∣z)​

M-Step：更新参数
P(w∣z)∝∑dn(d,w)P(z∣d,w)P(w∣z)∝∑d​n(d,w)P(z∣d,w)
P(z∣d)∝∑wn(d,w)P(z∣d,w)P(z∣d)∝∑w​n(d,w)P(z∣d,w)

代码实现概览

class PLSA:def __init__(self, n_topics=10, max_iter=50):self.n_topics = n_topicsself.max_iter = max_iterdef fit(self, doc_word_matrix):# 初始化参数self.P_z_d = np.random.rand(n_docs, n_topics)self.P_w_z = np.random.rand(n_topics, n_words)for _ in range(self.max_iter):# E-stepgamma = self.P_z_d[:, None] * self.P_w_z.T[None, :]gamma /= gamma.sum(axis=2, keepdims=True)# M-stepself.P_w_z = (doc_word_matrix[:, None] * gamma).sum(axis=0)self.P_w_z /= self.P_w_z.sum(axis=1, keepdims=True)self.P_z_d = (doc_word_matrix * gamma).sum(axis=2)self.P_z_d /= self.P_z_d.sum(axis=1, keepdims=True)

优缺点分析

突破性优势	现存问题
概率框架可解释性强	参数数量随文档线性增长
解决一词多义、一义多词问题	容易过拟合
支持软聚类	缺乏文档生成概率模型

---

📊 三大模型对比全景图

维度	Unigram	LSA	PLSA
模型类型	统计语言模型	线性代数模型	概率生成模型
核心思想	词频独立	潜在语义空间	主题隐变量
数学工具	极大似然估计	SVD分解	EM算法
可解释性	低	中	高
处理新文档	直接计算	需重新投影	无法处理
参数复杂度	O(V)	O(k×(V+D))	O(D×K + K×V)
主要应用	文本分类基线	语义检索	主题发现

（V: 词表大小, D: 文档数, K: 主题数）

💡 工程应用建议

场景选择指南

• 短文本快速处理 → Unigram + TF-IDF

• 语义搜索/推荐系统 → LSA/LSI

• 主题挖掘/内容分析 → PLSA

参数调优技巧

1. 累计方差贡献率 > 80%

2. svd.explained_variance_ratio_.cumsum()[:k]

   PLSA主题数确定：

   • 困惑度(Perplexity)最小化

   • 人工评估主题一致性

3. 防止过拟合：

   • 增加平滑项

   • 使用贝叶斯变种（如LDA）

🚀 演进到LDA

PLSA的贝叶斯升级版：

最新进展

掌握这些基础模型，是理解现代NLP技术的必经之路！

• 引入Dirichlet先验分布

• 解决过拟合问题

• 支持新文档推理

  总结与展望

  从Unigram到PLSA的发展历程，体现了文本建模的三大进步：

• 从独立到关联：打破词袋独立性假设

• 从显式到潜在：发现隐藏语义结构

• 从确定到概率：建立生成式模型框架

• 神经网络主题模型（NTM）

• 结合预训练语言模型（BERTopic）

  • 动态主题模型（DTM）

1. 延伸阅读：

2. PLSA原始论文

3. 主题模型可视化工具

4. 剑桥大学主题模型讲义