(gensim) LdaMallet vs LdaModel？
(gensim) LdaMallet vs LdaModel?
使用gensim.models.LdaMallet和gensim.models.LdaModel有什么区别？我注意到参数并不完全相同，想知道什么时候应该使用一个参数？
TL;DR：两者都是 Latent Dirichlet Allocation 的两个完全独立的实现。
如果您只是想尝试 LDA 而对 Mallet 的特殊功能不感兴趣，请使用 gensim。
gensim.models.LdaModel是在gensim中实现的LDA的single-core版本。
gensim (gensim.models.ldamulticore) 中也有并行化的 LDA 版本。
两种 Gensim 实现都使用在线变分贝叶斯 (VB) 算法进行潜在狄利克雷分配，如 Hoffman et al. [1].
中所述
Gensim 算法（不限于 LDA）是 memory-independent w.r.t。语料库大小（可以处理大于 RAM 的输入，流式处理，out-of-core）。
Gensim 还为流行的工具 Mallet (Java) and Vowpal Wabbit (C++) 提供包装器。
gensim.models.wrappers.LdaVowpalWabbit 使用与 Gensim 的 LdaModel 基于 [1].
相同的在线变分贝叶斯 (VB) 算法
gensim.models.wrappers.LdaMallet uses an optimized Gibbs sampling algorithm 用于潜在狄利克雷分配 [2]。
这就是参数不同的原因。
但是，大多数参数，例如主题数量、alpha 和 (b)eta）在两种算法之间共享，因为它们都实现了 LDA。
包装器（gensim.models.wrappers.LdaVowpalWabbit 和
gensim.models.wrappers.LdaMallet) 需要安装相应的工具（独立于 gensim）。因此，gensim更容易使用。
除此之外，尝试不同的实施方式，看看哪种适合您。
参考资料
[1] 霍夫曼、马修、弗朗西斯·R·巴赫和大卫·布莱伊。 “潜在狄利克雷分配的在线学习。”神经信息处理系统的进展。 2010.
[2] Yao、Limin、David Mimno 和 Andrew McCallum。 “流式文档主题模型推理的有效方法 collections。”第 15 届 ACM SIGKDD 知识发现和数据挖掘国际会议论文集。 2009.
使用gensim.models.LdaMallet和gensim.models.LdaModel有什么区别？我注意到参数并不完全相同，想知道什么时候应该使用一个参数？
TL;DR：两者都是 Latent Dirichlet Allocation 的两个完全独立的实现。 如果您只是想尝试 LDA 而对 Mallet 的特殊功能不感兴趣，请使用 gensim。
gensim.models.LdaModel是在gensim中实现的LDA的single-core版本。
gensim (gensim.models.ldamulticore) 中也有并行化的 LDA 版本。
两种 Gensim 实现都使用在线变分贝叶斯 (VB) 算法进行潜在狄利克雷分配，如 Hoffman et al. [1].
Gensim 算法（不限于 LDA）是 memory-independent w.r.t。语料库大小（可以处理大于 RAM 的输入，流式处理，out-of-core）。
Gensim 还为流行的工具 Mallet (Java) and Vowpal Wabbit (C++) 提供包装器。
gensim.models.wrappers.LdaVowpalWabbit 使用与 Gensim 的 LdaModel 基于 [1].
gensim.models.wrappers.LdaMallet uses an optimized Gibbs sampling algorithm 用于潜在狄利克雷分配 [2]。
这就是参数不同的原因。
但是，大多数参数，例如主题数量、alpha 和 (b)eta）在两种算法之间共享，因为它们都实现了 LDA。
包装器（gensim.models.wrappers.LdaVowpalWabbit 和
gensim.models.wrappers.LdaMallet) 需要安装相应的工具（独立于 gensim）。因此，gensim更容易使用。
除此之外，尝试不同的实施方式，看看哪种适合您。
参考资料
[1] 霍夫曼、马修、弗朗西斯·R·巴赫和大卫·布莱伊。 “潜在狄利克雷分配的在线学习。”神经信息处理系统的进展。 2010.
[2] Yao、Limin、David Mimno 和 Andrew McCallum。 “流式文档主题模型推理的有效方法 collections。”第 15 届 ACM SIGKDD 知识发现和数据挖掘国际会议论文集。 2009.