使用批处理，您可以通过每次 EM 迭代提供整个数据。在在线实现中，您仅通过每个 EM 迭代（“小批量”）提供一些数据。来自sklearn 用户指南：

批处理方法在每次完整传递数据后更新变分变量，而在线方法更新来自小批量数据点的变分变量。

来自关于在线 LDA 的论文：

加权平均值来更新lambda 。给予的权重由，其中 ∈ (0.5, 1] 控制旧值的速率的被遗忘并且减慢了算法的早期迭代。$\lambda$$\tilde\lambda$$\tilde\lambda$$\rho_{t} = (\tau_{0} + \tau)^{-\kappa}$$\kappa$$\tilde\lambda$$τ_{0} \ge 0$

在sklearn 实现中：

weight = np.power(self.learning_offset + self.n_batch_iter_, -self.learning_decay)

learning_offset也是如此，它减慢了早期迭代的速度，而\控制了旧权重被遗忘的速率。$\tau_{0}$learning_decay$\kappa$