الگوسازی موضوع ها بر پایه ی روش بیز گوناگونی

در این مقاله، برپایه ی روش بیز گوناگونی، نشان می دهیم که روش تخصیص پنهان دیریکله که یک مدل احتمالاتی مولد است و در پردازش زبان های طبیعی، متن کاوی، کاهش ابعاد، و زیست داده ورزی کاربرد دارد،  نسبت به روش تحلیل معنایی پنهان احتمالاتی در مدل بندی داده ها عملکرد بهتری دارد. در این باره، ابتدا یک مدل بیزی را در مدل سازی موضوع ها شرح می دهیم. آنگاه با روش بیز گوناگونی و الگوریتم امیدریاضی-بیشینه سازی (EM) پارامترهای مدل را برآورد می کنیم. سپس الگوریتم ارایه شده، موسوم به الگوریتم EM گوناگونی، را برپایه ی یک مجموعه داده ی نوشتاری از داده های واقعی در زمینه ی تحلیل داده های خبری پیاده سازی می کنیم و مدل بندی زبانی را بر اساس ملاک سرگشتگی بررسی می کنیم، و دقت خوشه بندی موضوع ها و کاربرد کاهش ابعاد داده های حجیم را با کمک ماشین بردار پشتیبان می سنجیم. همچنین در مقایسه ای دیگر، کاربرد الگوریتم پیشنهادی را در پالایش همکارانه بررسی می کنیم.