-
关于训练LDA :
在实现LDA时，我们需要构建一个词-文档矩阵，但这个矩阵是稀疏数据，因为我们的词典非常大（数百万词），而一个文档仅包含少量词（约1000 – 10000词），因此在词-文档矩阵中，有大量的0值，这会导致训练模型的时间变长。那么，我们如何加快速度呢？
-
关于预测新文档 :
训练完成后，我们有了新的LDA模型，可以用它来预测新文档所属的主题。但在将新文档输入模型之前，我们需要将其转换为词向量，其向量长度将是词典的长度（数百万词）。因此，它会有很多零值，实际上，我们的时间成本会随着向量长度的增加而增加。
那么，词-文档矩阵是否是实现LDA的有效方法？我们是否有其他更好的方法？我需要一些针对我项目的建议，请帮助我
回答：
在处理稀疏数据时，当然应该使用稀疏向量而不是密集向量。
你只需存储非零值，而不必存储所有的零值。
一个典型的数据模型（参见文献中的其他选择）是简单地使用一系列元组(i,v)，其中i是列索引，v是非零值。
