鉴于标准的LDA模型只有1000个主题和数百万个文档，使用Mallet /崩溃的Gibbs采样器进行培训：
在推断新文档时：为什么不跳过抽样并简单地使用模型的术语 - 主题计数来确定新文档的主题分配？我理解在新文档上应用Gibbs抽样考虑了新文档的主题混合，这反过来影响主题的组成方式（beta，term-freq。发行）。但是，由于在推断新文档时主题保持不变，我不明白为什么这应该是相关的。
抽样问题是概率性质 - 有时推断的文档主题分配，在重复调用时会有很大差异。因此，我想了解采样与仅使用确定性方法的理论和实践价值。
谢谢Ben
答案 0 :(得分：3)
仅使用最后一个Gibbs样本的术语主题计数并不是一个好主意。这种方法没有考虑到主题结构：如果一个文档有一个主题的许多单词，它可能会有更多来自该主题的单词[1]。
例如，假设两个词在两个主题中具有相同的概率。给定文档中第一个单词的主题分配会影响另一个单词的主题概率：另一个单词更可能与第一个单词位于同一主题中。这种关系也是另一种方式。这种情况的复杂性是我们使用像Gibbs采样这样的方法来估算这类问题的价值的原因。
至于你对主题分配的评论各不相同，可能无法提供帮助，并且可以作为一件好事：如果主题分配不同，你就不能依赖它。你所看到的是，关于该词的主题的后验分布没有明显的胜利者，所以你应该采取一些特定的任务：）
[1]假设beta，文档主题分布的先验，鼓励稀疏性，通常选择主题模型。
答案 1 :(得分：2)
真正的问题是计算复杂性。如果文档中的N个令牌中的每一个都可以具有K个可能的主题，则对于N个可能的主题配置存在K.有两个主题和一个文档大小这个答案，你有更多的可能性，而不是宇宙中的原子数。
此搜索空间的采样非常有效，如果平均连续三到五次吉布斯扫描，通常会得到一致的结果。你可以做一些计算上不可能做到的事情，而且你需要付出的代价是一些不确定性。
如前所述，可以通过设置固定的随机种子来获得“确定性”结果，但实际上并没有解决任何问题。