在mallet中训练主题模型时，可以通过--optimize-interval [INTEGER]函数在推理过程中学习超参数。关于这个功能，我有以下问题：
-
学习了哪些参数？阿尔法和贝塔是同时学习的还是只学习其中一个？如果是，是哪一个？
-
-use-symmetric-alpha函数的有理性是什么？mallet中的帮助说："……只优化文档主题分布的先验的集中参数……"。但文档主题分配的先验是alpha，不是吗？因此，根据帮助，该命令应命名为-use-symmetric-beta。或者只是帮助文本中有一个错误？此外，就我对文献的理解而言(例如，参见Wallach等人(2009)：重新思考LDA：为什么优先级很重要)，不对称先验只对文档主题分布有利，对主题词分布没有好处。Alpha是文档主题分布的dirichlet先验。在此之后，我不理解-use-symmetric-alpha函数的意义。 -
在mallet中是否有可能只学习文档主题分发之前的内容？
感谢您的帮助。
我也很难处理这个参数和误导性的帮助文本。因此，我简单地测试了它，比较了不同的日志输出，最终搜索了源代码，并打开了一个PR，为您的问题提供了以下答案：
学习了哪些参数？阿尔法和贝塔是同时学习的还是只学习其中一个？如果是，是哪一个？
这取决于情况。使用默认设置时，不会学习任何参数，因为--optimize-interval为0。这意味着，alpha(⚠️其实际上是所有阿尔法先验的总和)保持不变，即阿尔法_k＝5.0/num个主题。默认情况下，Beta为0.01。因此，阿尔法和贝塔都是对称的狄利克雷先验。(尽管alpha参数记录正确，但当您习惯于在指定alpha而非alphaSum的情况下生成sim时，它仍然具有误导性。)
如果为参数--optimize-interval提供大于0的值(同时注意--num-iterations(默认值：1000)和--optimize-burn-in(默认值为200))，则可以同时为alpha和beta启用超参数优化。因此，α和β都是从数据中学习的优化的狄利克雷先验。然而，α被学习为不对称先验，β始终是对称先验(即使浓度参数被优化)
如果同时设置--use-symmetric-alpha True，则不仅优化了β，还优化了α，但最终会得到对称的α先验(通过参数--alpha传递的初始值)和基于--beta传递的初始对称先验从数据中学习到的a对称β先验。等等，什么！？这并不意味着超参数优化alpha学习不对称先验？事实并非如此。最初通过的对称先验，准确地说是浓度参数，也可以进一步优化以更好地拟合数据。
--use-symmetric-alpha函数背后的有理数是什么？
老实说，我不知道。我只观察到了上述行为。也许对于某些数据集，优化但仍然对称的alpha先验可能更有意义，尽管Wallach等人不建议这样做。
我之前错误地假设，如果设置了--optimize-interval，那么β的不对称先验是学习的。从这里可以看出，情况并非如此。
mallet中的帮助说："；。。。仅优化浓度先验超文档主题分布的参数&"；。但是文档的主题分发是alpha，不是吗？
你说得对。Alpha是文档主题分发的首选，beta是主题词分发的首选。
因此该命令应在帮助之后命名为
--use-symmetric-beta。或者只是帮助文本中有一个错误？
的确，这是帮助文本中的一个错误帮助文本中既不包含错误，也不应更改命令名称。如果没有更多关于狄利克雷分布的背景知识，很难理解这个选项的确切作用。我推荐H.Wallach的以下幻灯片，或者对发生同样误解的相关问题进行出色的解释。
不存在的选项--use-symmetric-beta未实现，因为beta在Mallet中始终是对称的！
此外，就我对文献的理解而言(例如，参见Wallach等人(2009)：重新思考LDA:为什么优先级很重要)，不对称先验只对文档主题分布有利，对主题词分布没有好处。Alpha是文档主题分布的Dirichlet先验。在此之后，我不理解
--use-symmetric-alpha函数的意义。
我完全同意你的看法。参数Wallach等人指出，主题词分布的不对称先验并没有带来真正的好处。这正是Mallet只使用对称贝塔先验的原因。然而，如果--use-symmetric-beta会更有意义(根据我有限的理解)--optimize-interval大于0，则β-狄利克雷先验，更准确地说是浓度参数，将被进一步优化。Wallach等人回答了为什么应该使用不对称的α先验而不是对称的α先验的问题。
此外，帮助文本解释了使用--use-symmetric-alpha的后果如下：
这可能会减少非常小、估计不准确的主题的数量，但可能会将常用词分散到几个主题上。
经验教训：你不能(总是)相信帮助文本。它们可能具有误导性，或者假定某些背景知识，从而导致误解。如果您在理解文档时遇到困难，请搜索代码。源代码从不说谎。