对主题模型和词共现方法的回答涵盖了差异（skip-gram word2vec 是逐点互信息（PMI）的压缩）。

所以：

• 两种方法都不是另一种方法的概括，
• word2vec 允许我们使用向量几何（就像词类比，例如，我写了 word2vec 的概述）$v_{king} - v_{man} + v_{woman} \approx v_{queen}$
• LDA 的相关性高于二元，
• LDA 提供可解释的主题。

在幻灯片 word2vec、LDA 中讨论了一些差异，并介绍了一种新的混合算法：lda2vec - Christopher Moody。

这两种算法的目的有很大不同。

LDA 主要旨在通过为它们分配主题分布来描述文档和文档集合，正如您所提到的，它们又分配了单词分布。

word2vec 旨在将单词嵌入到潜在因子向量空间中，这一想法源自 Bengio 等人的分布式表示。它也可以用来描述文档，但并不是真正为任务设计的。

之间存在关系， \bf {Topic2Vec}是一种用于学习分布式主题表示单词表示的模型。LDA 用于构建 CBOW 和 Skip-gram 的对数似然。以下解释在作品Topic2Vec: Learning Distributed Representations of Topics的第 3 部分内：$\bf {Topic2Vec}$$\bf together\ with$

“训练时，给定文档的词-主题序列，其中是从 LDA 中推断出的词的主题，学习目标函数可以是分别基于 CBOW 和 Skip-gram 定义为最大化以下对数似然。”$D=\{w_1 : z_1, ...,w_M : z_M \}$$z_i$$w_i$

$$\mathcal{L}_{CBOW}(D) = \frac1M \sum^{M}_{i=1}(\log p(w_i|w_{ext}) + \log p(z_i|w_{ext}))$$

$$\mathcal{L}_{Skip-gram}(D)= \frac1M \sum^{M}_{i=1}\sum_{-k\le c\le k,c\neq0}(\log p(w_{i+c}|w_i) + \log p(w_{i+c}|z_i))$$

在第 4.2 节中，作者解释说：“主题和词同样表示为低维向量，我们可以立即计算。对于每个主题，我们选择相似度更高的词”。$\bf {COSINE\ SIMILARITY}$

此外，您会在其中找到一些短语，例如：

“概率不是特征表示的最佳选择”

和

“LDA 更喜欢描述事件的统计关系，而不是嵌入在单词、主题和文档中的真实语义信息”

这将帮助您更好地理解不同的模型。

这里的其他答案涵盖了这两种算法之间的技术差异，但我认为核心区别在于它们的目的：这两种算法旨在做不同的事情：

word2vec最终产生单词和固定长度向量之间的映射。如果我们要将它与另一种众所周知的方法进行比较，那么使用另一种为相同目的而设计的工具会更有意义，例如词袋（BOW 模型）。这个做同样的事情，但缺少一些想要的特征，word2vec比如使用单词的顺序和为单词表示之间的距离分配语义。

LDA另一方面，创建从不同长度文档到向量的映射。该文档可以是句子、段落或全文文件，但不是单个单词。将它与doc2vec做同样工作并由 Tomas Mikolov在此处介绍（作者使用术语paragraph vectors）进行比较会更有意义。或者与LSI那件事。

所以直接回答你的两个问题：

1. 它们都不是另一个的概括或变体
2. 使用 LDA 将文档映射到固定长度的向量。然后，您可以在传统的 ML 算法中使用此向量，例如接受文档并预测情感标签的分类器。
3. 用于将单词word2vec映射到固定长度的向量。如果输入是单词，您可以类似地使用这些向量来为 ML 模型提供数据，例如，当开发一个自动完成器时，它会以先前的单词为基础并尝试预测下一个单词。