用外行人的话来说，潜在狄利克雷分配 (LDA) 就是“主题建模”。用搜索极客的话来说，LDA 的公式如下：（你消化了吗？别担心；莫泽尔一边呻吟一边大笑。另外：科学家亨德里克森在午餐后发表了这次演讲！）
LDA 简化– 这是 Ben 解释主题建模的方式：
（好吧，我曾经为自己在逻辑 电话号码收集 和组合学（离散数学/集合论）中获得了 A 而感到自豪。然而，与这个公式相比，那门计算机科学课现在感觉就像是基础数学。）
当兰德·菲什金（Rand Fishkin）和本一起上台，托德·弗赖森（Todd Freisen）主持并在问答环节进行解读时，一切都变得清晰起来。 （巴西的曼努埃拉·桑切斯（Manuela Sanches）坐在我旁边，她说本的“演讲需要字幕！”）
从我对希腊文的解读来看
LDA 的目标是理解 来定义主题 如何获得更多参与度？ 5 个成功品牌 概念。Google 正是通过 LDA 分析页面上的单词来确定单词所属的“集合”，也就是搜索查询与其数据库中页面的相关程度。
例如：Google 如何为页面上的“橙色”一词分配相关性？他们会确定橙色是与水果种类相关，还是与页面上下文设置的颜色相关。
LDA定义：
“潜在狄利克雷分配”（Blei 等人，2003）
是一种强大的学习算法，可以自动将 WhatsApp 数据库印度 单词联合聚类到“主题”中，并将文档联合聚类到主题的混合中。它已成功应用于模拟科学领域随时间的变化（Griffiths 和 Steyver，2004；Hall 等人，2008）。
主题模型大致是一种分层贝叶斯模型，它将每个文档与“主题”的概率分布相关联，而这些概率分布又是单词的分布。
贝叶斯——啊，我认识这个术语！贝叶斯垃圾邮件过滤是一种检测垃圾邮件的方法。它利用数据库并学习单词的含义。当我们将电子邮件标记为垃圾邮件时，它就被我们“训练”了。