Sentence-LDA的相关论文：
Jo Y, Oh A H. Aspect and sentiment unification model for online review analysis[C]//Proceedings of the fourth ACM international conference on Web search and data mining. ACM, 2011: 815-824.
模型是这个样子的：
Zhang S, Sha Y, Wang X. Reviews Analysis Based on Sentence and Word Relevance[C]//Computational Intelligence and Design (ISCID), 2014 Seventh International Symposium on. IEEE, 2014, 1: 43-46.
模型是这个样子的：
Balikas G, Amini M R, Clausel M. On a Topic Model for Sentences[C]//Proceedings of the 39th International ACM SIGIR conference on Research and Development in Information Retrieval. ACM, 2016: 921-924.
模型是这个样子的：
Büschken J, Allenby G M. Sentence-based text analysis for customer reviews[J]. Marketing Science, 2016, 35(6): 953-975.
模型是这个样子的：
这几篇论文，是我看到的做Sentence-LDA，发现模型都是一样。。。。。哎，他们提出的模型，尽然都是一样的。
Sentence-LDA的思想
LDA的思想是每篇文档是由多个主题混合而成的，每个单词有其对应的主题。但针对短文本而言，每句话可能表达的仅仅是一个主题，Sentence-LDA的假设便是文档中的一个句子来自于一个主题。
其生成过程如下：
基于上面的图，我解释一下，一篇文档多多个句子，每个句子的所有词均有一个主题z生成。
Gibbs抽样推断
主题z的抽样
这里需要注意的是i表示第i个句子，可以看出这里抽的是句子的主题。而传统LDA里抽的是词的主题。
具体该公式的推理，可以看Sentence-based text analysis for customer reviews论文的附录。
文档的主题分布计算
主题的词分布计算
代码
是由16年，On a topic model for sentences这篇文章的作者提供的，为python版本，具体地址为：https://github.com/balikasg/topicModelling/