11.2.6 Hierarchical Latent Dirichlet Allocation模型（Hierarchical LDA）
从文献集合中学习主题层次很有挑战性。Blei、Griffiths和Jordan（2010）提出了一种随机过程，在该过程中将概率分布赋值于无穷深分支树形成。LDA假设两两主题之间没有层次关系，因此，无法识别各种抽象的层次（例如，主题之间的关系）。Blei等人（2010）提出了一种嵌套的中国餐馆流程（Nested Chinese Restaurant Process，nCRP）作为层次主题模型方法，并应用贝叶斯非参数推理接近主题层次的后验概率。Hierarchical LDA数据处理与Hierarchical Clustering不同，首先，Hierarchical Clustering把每个数据（如单词）当作树状结构的“叶子”，然后合并相似数据节点，直至全部合并，整个过程最终形成一棵“树”。因此，树状结构的上层节点能概括它的下层子节点，也就是说上层节点与下层节点的关联概率较高。在Hierarchical主题模型中，树的每个节点是一个主题，由一组单词的分布组成，且上层节点并不概括子节点，但是能够反映相同路径中上层节点与子节点所共享的单词分布。
