和的选择确实很棘手，因为它会影响主题建模结果。Griffiths 等人的 Gibbs 采样纸。对此提供了一些见解：$\alpha$$\beta$

的值会影响模型的粒度：文档语料库可以明智地分解为多个不同尺度的主题集，模型评估的特定尺度将由设置。对于科学文档，较大的值会导致模型找到相对较少的主题，可能是在科学学科的水平上，而较小的值会产生更多针对特定研究领域的主题。$\beta$$\beta$$\beta$$\beta$

最终，对于科学文档，作者选择了以下超参数，和。但是他们有大约文档的语料库和单词的词汇，他们尝试了几种不同的。$\beta=0.1$$\alpha=50/T$$28K$$20K$$T: [50, 100, 200, 300, 400, 500, 600, 1000]$

关于你的数据。我没有分析金融文本数据的经验，但是对于 和的选择，我会问自己以下问题：$\alpha$$\beta$

• 鉴于我的词汇量，我是否希望我的结果主题很稀疏？在大多数情况下，这是真的。因此，通常选择的主题先验是稀疏的，。$\beta < 1$
• 给定主题，我是否希望每个文档中的主题分布是稀疏的？也就是说，每个文档只代表几个主题。如果是，则。$\alpha < 1$

由于对数据的了解有限，回答上述问题可能并不直接。由于您的数据有限，我会选择和的多个值——从稀疏到非稀疏先验——并通过计算一些保留数据的困惑度来找到适合数据集的值。更具体地说：$\alpha$$\beta$

• 从选择$\alpha_m$$[0.05, 0.1, 0.5, 1, 5, 10]$
• 从选择$\beta_m$$[0.05, 0.1, 0.5, 1, 5, 10]$
• 对在训练数据上运行主题建模$(\alpha_m, \beta_m)$
• 在保留测试数据上查找模型困惑
• 选择具有最小困惑和$\alpha_m$$\beta_m$

资源：

• 潜在狄利克雷分配：原始论文谈到了困惑。
• 寻找科学主题：上面讨论的论文。
• 重新思考 LDA：为什么先验很重要：讨论先验结构如何影响主题建模结果的论文。