我在R中使用'lda'包进行主题建模。我想使用针对新数据集的拟合Latent Dirichlet分配（LDA）模型来预测新主题（文档中相关单词的集合）。在这个过程中，我遇到了predictive.distribution（）函数。但该函数将document_sums作为输入参数，它是拟合新模型后的结果输出。我需要帮助来理解在新数据集上使用现有模型并预测主题。 以下是Johnathan Chang为该软件包编写的文档中的示例代码： 这是代码：
#Fit a model
data(cora.documents)
data(cora.vocab)
K <- 10 ## Num clusters
result <- lda.collapsed.gibbs.sampler(cora.documents,K, cora.vocab,25, 0.1, 0.1)
# Predict new words for the first two documents
predictions <- predictive.distribution(result$document_sums[,1:2], result$topics, 0.1, 0.1)
# Use top.topic.words to show the top 5 predictions in each document.
top.topic.words(t(predictions), 5)
任何帮助将不胜感激
谢谢＆amp;的问候，
Ankit
答案 0 :(得分：2)
我不知道你怎么能在R中实现这个目标，但请看看Wallach等人2009年出版的一本书。人。标题为“主题模型的评估方法”here。看看第4节，它提到了三种计算P（z | w）的方法，一种基于重要性抽样，另外两种称为“Chib式估算器”和“从左到右估算器”。
Mallet实施了从左到右的估算方法