答案取决于您是假设对称还是非对称狄利克雷分布（或者，更专业地说，基本度量是否一致）。除非指定其他内容，否则 LDA 的大多数实现都假定分布是对称的。

对于对称分布，高 alpha 值意味着每个文档可能包含大多数主题的混合，而不是任何单个主题。较低的 alpha 值对文档的此类限制较少，并且意味着文档更有可能包含仅几个甚至仅一个主题的混合。同样，高 beta 值意味着每个主题可能包含大多数词的混合，而不是任何特定词，而低值意味着一个主题可能只包含少数词的混合。

另一方面，如果分布是不对称的，则高 alpha 值意味着每个文档更可能出现特定主题分布（取决于基本度量）。同样，高 beta 值意味着每个主题更有可能包含由基本度量定义的特定单词组合。

在实践中，高 alpha 值将导致文档在它们包含的主题方面更加相似。高 beta 值同样会导致主题在它们包含的单词方面更加相似。

所以，是的，alpha 参数指定了有关文档中主题稀疏性/一致性的先验信念。不过，我不完全确定您所说的“主题在词语方面的相互排斥”是什么意思。

更一般地说，这些是LDA 模型中使用的狄利克雷分布的浓度参数。为了直观地理解其工作原理，本演示文稿包含一些精美的插图，以及对 LDA 的一般解释。

我将在此处添加一条附加评论，因为我无法评论您的原始问题：根据我所见，alpha 和 beta 参数可能会有些混淆地指代几种不同的参数化。基本的狄利克雷分布通常用向量参数化，但这可以分解为基本度量和浓度参数，使得。在 alpha 参数是标量的情况下，它通常表示浓度参数，但它也可以表示$(\alpha_1, \alpha_2, ... ,\alpha_K)$$u = (u_1, u_2, ..., u_K)$$\alpha$$\alpha * \textbf{u} = (\alpha_1, \alpha_2, ... ,\alpha_K)$$\alpha$$(\alpha_1, \alpha_2, ... ,\alpha_K)$，因为在对称狄利克雷分布下这些将相等。如果是向量，通常指的是。我不确定哪种参数化最常见，但在我的回复中，我假设您的意思是将 alpha 值和 beta 值作为浓度参数。$(\alpha_1, \alpha_2, ... ,\alpha_K)$

David Blei 向暑期班的学生介绍了 LDA：http: //videolectures.net/mlss09uk_blei_tm/

在第一个视频中，他广泛介绍了主题建模的基本概念以及 Dirichlet 分布如何发挥作用。板符号被解释为好像观察到所有隐藏变量以显示依赖关系。基本上，主题是单词的分布和主题的文档分布。

在第二个视频中，他通过一些示例图展示了 alpha 的效果。alpha 越小，分布越稀疏。此外，他还介绍了一些推理方法。