Latent Dirichlet Allocation（潜在狄利克雷分配）

Latent Dirichlet Allocation (LDA)，中文译作潜在狄利克雷分配，它是主题建模（Topic Modeling）领域最经典和最常用的算法之一。

📊 Latent Dirichlet Allocation (LDA) 算法解析

1. 核心目标：发现文本中的“隐藏主题”

LDA 是一种无监督学习模型，它旨在解决以下核心问题：

给定一批文档（例如，大量的患者反馈文本），如何自动发现这些文档集背后隐藏的、抽象的“主题”（Topic）？

2. 基本原理（如何工作）：

LDA 认为文档、主题和词语之间存在以下概率关系：

• 文档由主题构成： 每篇文档（即一条患者反馈）都是由若干个主题（例如：“等待时间”、“护士态度”、“药品费用”）以不同的比例（概率分布）混合而成的。
• 主题由词语构成： 每个主题都是由一系列词语（例如，主题“等待时间”对应着“排队”、“预约”、“太久”、“叫号”）以不同的频率（概率分布）构成的。

简而言之，LDA 算法通过数学计算（使用狄利克雷分布进行概率建模），反向推导出：

1. 每篇文档最可能包含哪些主题。
2. 每个主题最可能由哪些高频关键词组成。

3. 在患者反馈中的应用（综述中的 Purpose）：

在分析非结构化患者反馈（UPF）时，LDA 的主要目的就是：

• 自动分类： 快速将海量、杂乱无章的反馈文本，归纳为少数几个可解释的管理主题。
• 识别盲点： 发现患者关注的、但传统标准化问卷中没有涉及的新主题（例如，关于医院账单透明度的主题）。

其他参考：
https://zhuanlan.zhihu.com/p/309419680
https://blog.csdn.net/qq_21201267/article/details/105884879
https://cs.hit.edu.cn/_upload/article/files/92/bf/c4379506408a8c1b6902ddf0f9e6/a7a12c0d-3114-441b-ad5b-9559198e29e8.pdf
https://geekdaxue.co/read/nanke-yikns@fgyr0q/xge6bd
https://blog.csdn.net/shizheng_Li/article/details/144153486
https://www.jianshu.com/p/648027250cf4
https://zhuanlan.zhihu.com/p/1918416429008520120
https://zh-cn.statisticseasily.com/词汇表/潜在狄利克雷分配的解释是什么/#main