翻译自： https://cwiki.apache.org/confluence/display/MAHOUT/Latent+Dirichlet+Allocation
简介：
Latent Dirichlet Allocation (Blei et al, 2003)是一个强大的学习方法将words聚到一些topics里面，以及把一些document表示成topics的一些集合。 主题模型就是document在topics上的概率分布，和words在topics上的分布的一个层次贝叶斯模型，举个例子，一个topic是包括“体育”，“篮球”，"全垒打"等词，一个document讲述一些在篮球比赛中使用违禁药，可能包含"体育"，“篮球”，“违禁药”，这些词，是事先被人类定义的标签，算法只不过给这些词跟概率关联上。模型中参数估计的目的是把这些topic学习出来，一个document跟这些topic的概率是多少。 另一个理解主题模型的视角是把他看作类似于 Dirichlet Process Clustering 的混合模型，从一个正常的混合模型开始,我们有一个全局混合的几个分布，我们可以说每一个document都有他全局分布之上自己的一个分布，在dirichlet process clustering中，每一个document在全局混合分布上有他自己的隐变量决定他属于哪个模型，在LDA中每一个词又有在document上的一个分布。 我们按照一定概率混合一些模型来解释已观测到的数据，每一个被观测到的数据假设是来自于许多模型中的一个，但是我们并不知道来自于哪一个，所以我们用一个称之为隐含变量的名字来指他从哪里来。 Collapsed Variational Bayes CVB算法在LDA mahout的实现中结合了variational bayes 和 gibbs sampling . 使用方法： mahout中LDA的实现需要工作在 一个稀疏的词频的向量上，词频一定要是一个非负数的，在概率模型中，负数没有意义，确保用的是TF而不是IDF作为词频。 调用方法如下：bin/mahout cvb \
-i <input path for document vectors> \
-dict <path to term-dictionary file(s) , glob expression supported> \
-o <output path for topic-term distributions>
-dt <output path for doc-topic distributions> \
-k <number of latent topics> \
-nt <number of unique features defined by input document vectors> \
-mt <path to store model state after each iteration> \
-maxIter <max number of iterations> \
-mipd <max number of iterations per doc for learning> \
-a <smoothing for doc topic distributions> \
-e <smoothing for term topic distributions> \
-seed <random seed> \
-tf <fraction of data to hold for testing> \
-block <number of iterations per perplexity check, ignored unless test_set_percentage>0> \
选择topic的数量的时候，建议多试几次。
在运行LDA之后，可以使用工具打印出来结果：
bin/mahout ldatopics \
-i <input vectors directory> \
-d <input dictionary file> \
-w <optional number of words to print> \
-o <optional output working directory. Default is to console> \
-h <print out help> \
-dt <optional dictionary type (text|sequencefile). Default is text>
示例：
在mahout/examples/bin/build-reuters.sh 有详细的示例脚本，脚本自动下载数据集，建立lucence索引，把lucence索引再变成 向量的形式,注释掉最后两行，让他运行你的LDA,打印出来结果。
把样例改成你所需要的形式，需要自己建立lucence索引，需要一个adapter，剩下的东西都差不多。
参数估计：
使用EM算法。