LDA vs Word2Vec。预测邮件收件人的正确解决方案是什么？
我正在研究各种NLP算法和工具来解决以下问题；这里是NLP新手，如果它太基础了，请原谅我的问题。
比方说，我有一个消息应用程序，用户可以向一个或多个人发送文本消息。当用户键入消息时，我希望应用程序向用户建议谁是该消息的潜在收件人？
如果用户"A“向用户"B”发送了大量关于“猫”的文本消息，向用户"C“发送了一些消息，并且向用户"D”发送了许多关于“政治”的消息，那么下次用户键入关于“猫”的消息时，应用程序应该建议"B“和"C”而不是"D“。
所以我正在做一些关于主题建模和词嵌入的研究，发现LDA和Word2Vec是我可以使用的两种可能的算法。
我想向你请教一下你认为哪一个更适合这个场景。
我的一个想法是，使用LDA从以前的消息中提取主题，并根据主题在过去被讨论的次数(即发送的消息)对消息的收件人进行排名。如果我有主题的映射和您谈论它的用户的排序列表(根据频率排名)，那么当用户键入消息时，我可以再次对消息运行主题提取，预测消息是关于什么，然后查找映射以查看谁可以是可能的收件人并显示给用户。
这是一种好的方法吗？或者，Word2Vec (或doc2vec或lda2vec)更适合于这个问题，在这个问题中，我们可以使用单词的向量表示来预测相似的消息，也就是单词嵌入？我们真的需要从消息中提取主题来预测收件人吗？你认为其他算法或技术会工作得最好吗？
你的想法和建议是什么？
谢谢你的帮助。
回答 2
Stack Overflow用户
发布于 2017-10-20 23:01:06
由于你纯粹是从以前的帖子中提取主题，在我看来，LDA将是一个更好的选择。LDA将描述事件的统计关系。大部分单词的语义将被忽略(如果你正在寻找它，那么你可能需要重新考虑)。但我也建议看一看混合方法。我自己没有试过，但看起来很有趣。
另外，如果你碰巧尝试过，我很想知道你的发现。
Stack Overflow用户
发布于 2019-04-24 01:20:09
我认为你正在寻找的推荐系统(Netflix电影推荐，亚马逊购买推荐等)或网络分析(Facebook好友推荐)，它们利用主题建模作为属性。我会试着把它们分解：
网络分析：
FB朋友是网络的节点，其边是友谊关系。计算中间中心度，找到节点之间的最短路径，将最短边存储为列表，紧密度中心度是节点之间的长度总和。
推荐系统：
推荐什么是流行的，看用户相似的，建议用户可能感兴趣的东西，通过测量指向同一方向的向量之间的角度来计算余弦相似度。
LDA：
topic modeler for text data - returns感兴趣的主题可以用作上述算法中的嵌套算法。
Word2Vec：
这是构建LDA的必要步骤，它看起来是这样的: word -> #SAY324然后计数频率say它在一个句子中出现两次：
这是一句话。
(1,1)，(2,2)，(3,1)，(4,1)，(2,2)
这是一个神经网络，您可能必须将其用作预处理步骤。
我希望这能有所帮助:)
https://stackoverflow.com/questions/46838638
复制相似问题
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号