我正在使用gensim.models.ldamodel.LdaModel来执行LDA，但我不了解某些参数，并且无法在文档中找到解释。如果有人有使用这方面的经验，我希望进一步了解这些参数的含义。
具体来说，我不明白：
random_state update_every chunksize passes alpha per_word_topics 我正在处理500个文档的语料库，每个文档大约3-5页（由于保密原因，我很遗憾无法共享数据的快照）。目前我已经设置了
num_topics = 10 random_state = 100 update_every = 1 chunksize = 50 passes = 10 alpha = 'auto' per_word_topics = True 但这完全基于我看到的一个例子，我不确定这对我的数据有多普遍。
答案 0 :(得分：4)
我想知道你是否见过this page？
无论哪种方式，让我为你解释一些事情。您使用的文档数量很少（在维基百科大小的数据源上训练时，它的效果会更好）。因此，结果将相当粗糙，你必须意识到这一点。这就是为什么你不应该针对大量的主题（你选择10个，在你的情况下可能合理地达到20个）。
至于其他参数：
random_state - 这可以作为种子（如果您想要完全重复培训过程）
chunksize - 一次考虑的文件数量（影响内存消耗）
update_every - 每个update_every chunksize块更新模型（基本上，这是为了优化内存消耗）
passes - 算法应该在整个语料库中传递多少次
alpha - 引用文档：
可以设置为您选择的显式数组=先前。它也是 支持''不对称'和'自动'的特殊值：前者使用a 固定归一化非对称1.0 / topicno事先，后者学习了 直接来自您的数据的非对称先验。
per_word_topics - 将此设置为True可以提取给定单词的最可能主题。训练过程的设置方式是将每个单词分配给一个主题。否则，将省略未指示的单词。 phi_value是另一个引导此过程的参数 - 它是一个被视为指示性的词的阈值。
最佳训练过程参数在M. Hoffman et al., Online Learning for Latent Dirichlet Allocation中得到了很好的描述。
对于培训过程或模型的内存优化，请参阅this blog post。