在LDA模型中，这是使用现有模型来推断新文档的两种方法。这两种方法有什么区别？
最佳答案
我做了一些测试，其中ldamodel有8个主题，下面是我的结果：
2个预测主题的文档：
list_unseenTw=[['hope', 'miley', 'blow', 'peopl', 'mind', 'tonight', 'gain', 'million', 'fan'],['@mileycyrustour', "we'r", 'think', "it'", 'pretti', 'cool', 'miley', 'saturday', 'night', 'live', 'tonight', '#prettycool']]
用lda[doc_bow]预测（它已经给出了匹配主题的百分比）
doc_bow=[字典.doc2bow（文本）用于列表中未登录的文本]
预测=ldamodel[doc_bow]
预测[0]：
[（0，0.02509002728802024），
（1，0.0250114373070437），
（2，0.025040162139306051），
（3，0.82462688228515812），
（4，0.025150924341817767），
（5，0.025000027675139792），
（6，0.025000024127660267），
（7，0.025080514835853926）]
预测[1]：
[（0，0.031250011319462589），
（1，0.03125001371820222），
（2，0.031250019639505598），
（3，0.031250015093378707），
（4，0.031250019670816337），
（5，0.031250024860739675），
（6号，0.78124988084026048），
（7，0.031250014854016454）]
用ldamodel.inference进行预测（结果以权重而不是百分比表示）
pred=ldamodel.推断（doc_bow）
打印（pred）
（数组（[[0.12545023，0.1250572，0.12520085，4.12309694，0.12579184，0.12500014，0.12500012，0.12540268]，
[0.12500005、0.12500005、0.12500008、0.12500006、0.12500008、0.125000001、3.12499952、0.12500006]]，无）
如您所见，第一个预测（doc1）的结果与您所做的相同（主题3）：
total=0
for i in pred[0][0]:
total+=i
4.12309694/total = 0.82462%
关于python - lda [doc_bow]和lda.inference(corpus)之间有什么区别？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/27145452/