基于随机变分的在线监督主题模型与并行化实现
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究意义 | 第9-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.3 本文主要工作 | 第12-13页 |
| 1.4 文章结构 | 第13-14页 |
| 第2章 相关知识背景 | 第14-24页 |
| 2.1 问题描述 | 第14-15页 |
| 2.2 分类型监督主题模型 | 第15-20页 |
| 2.3 随机变分推断算法 | 第20-22页 |
| 2.4 主题模型的并行训练算法 | 第22-24页 |
| 第3章 分布式在线监督主题模型 | 第24-38页 |
| 3.1 在线监督主题模型 | 第24-31页 |
| 3.1.1 计算证据低边界 | 第24-26页 |
| 3.1.2 局部参数的估计 | 第26页 |
| 3.1.3 全局参数的估计 | 第26-28页 |
| 3.1.4 在线学习算法框架 | 第28-29页 |
| 3.1.5 预测算法框架 | 第29-31页 |
| 3.2 分布式在线监督主题模型 | 第31-34页 |
| 3.3 其他实现细节 | 第34-36页 |
| 3.3.1 减少IO开销方面 | 第34页 |
| 3.3.2 超参数优化方面 | 第34页 |
| 3.3.3 计算全局似然 | 第34-35页 |
| 3.3.4 问题预测方面 | 第35-36页 |
| 3.4 模型复杂度分析 | 第36-38页 |
| 3.4.1 时间复杂度 | 第36-37页 |
| 3.4.2 通讯开销 | 第37-38页 |
| 第4章 实验与验证分析 | 第38-45页 |
| 4.1 数据集 | 第38页 |
| 4.2 实验设置 | 第38-39页 |
| 4.3 学习效率和准确率 | 第39-40页 |
| 4.4 主题结构验证 | 第40-42页 |
| 4.5 参数设置验证 | 第42-45页 |
| 第5章 结论 | 第45-46页 |
| 参考文献 | 第46-49页 |
| 作者简介及科研成果 | 第49-50页 |
| 致谢 | 第50页 |
