这是一篇很好的论文，它解决了多项朴素贝叶斯 (MNB) 分类器的一些“系统性”缺点。这个想法是您可以通过一些调整来提高 MNB 的性能。他们确实提到了使用（统一）狄利克雷先验。

总的来说，如果您对 MNB 感兴趣并且尚未阅读本文，我强烈建议您阅读。

我还发现了同一个人/人的随附硕士论文，但我自己还没有阅读。你可以检查一下。

我怀疑大多数 NB 实现都允许使用Laplace 校正来估计条件概率，这为贝叶斯 NB 分类器提供了 MAP 解决方案（具有特定的 Dirichlet 先验）。正如@Zhubarb (+1) 指出的那样，NB 分类器的贝叶斯处理已经被派生和实施（Rennie 的论文/论文非常值得一读）。然而，NB 的独立性假设几乎总是错误的，在这种情况下，使模型更强烈地依赖于该假设（通过完整的贝叶斯处理）可能不是一件好事。

我不相信你所描述的是真的。LDA 和 MNB 的概率模型不同。

两者之间的一个主要区别是，在 LDA 的生成模型中，当绘制一个词时，首先选择该词的主题，然后从该主题分布中选择一个词。因此，文档中的每个单词都可以来自不同的主题。

在 MNB 的生成模型中，文档被分配一个类别，并且该文档中的所有单词都来自该类别的（相同）分布。