为简单起见，假设我们正在查看 Yelp 对餐厅的评论，并尝试按美食类型（例如“意大利菜、日本菜”等）对餐厅进行分类。让我们还假设我们的数据已经是一个美食类型列，我们可以使用它来检查准确性。

解决这个问题的一种方法是有监督的潜在狄利克雷分配方法，其中餐厅类型是响应。通过这种方式，主题被训练然后用于多项逻辑回归来猜测美食类型。

上述方法是否优于运行（无监督）具有大量主题的 LDA，然后使用 XGBOOST 之类的东西来预测美食类型？换句话说，我们运行无监督 LDA，然后将所有评论投影到每个主题的向量距离，然后使用这些特征向量来预测美食类型？

我知道 sLDA 会尝试选择更能描述每个类别类型的主题，但前者真的优于后者吗？我问这个的原因是因为我不知道那里有任何快速的 sLDA 实现。