词袋模型只考虑是否出现，而不考虑词与词之间的顺序，导致文本中很多语义关联的丢失。 本项目用Dirichlet分布α中取样生成文档di的主题分布θi(主题分布θi由超参数为α的Dirichlet分布生成)，从主题的多项式分布θi中取样生成文档di的第j个词的主题z(i,j),并将其对应的词语分布∳(z,j)由参数为β的Dirichlet分布生成，依次作为一个词是否出现在前一个词的概率。 该项目简化了语料库或数据框与大语言模型（LLMs）的对接过程，通过确定最佳主题数，支持文本分类、摘要生成、评分以及分析等多种任务。

想比较传统的消歧方法（如：基于词典的消歧），本文通过上下文的频繁项挖掘进行判别。将环境信息作为可信证据，包括特征选择、参数优化和集成学习等相关技术。 项目思路：手动标记部分训练示例或一小部分确定的规则，用于训练监督方法的初始分类器。然后让分类器用于未标记的语料库，以获取一个更大的训练集。这个过程重复进行，每个新分类器都在一个逐渐变大的训练语料库上进行训练，直到整个语料库被标记，或者达到给定的最大迭代次数。 效果如作品图片所示：

项目价值： 1、对于有监督学习，降低人工标注成本； 2、提升模型性能：想比较随机标注，主动学习选择的样本通常位于模型的决策边界附近，或者是模型难以区分的样本。标注这些样本能为模型提供更多关于如何划分不同类别的信息，从而更快地提升模型的准确率和泛化能力； 3、加速模型收敛：由于标注的样本信息量更足，模型能够更快地学习到数据中的关键模式，从而加速收敛过程； 4、解决类别不平衡问题：某些查询策略可以间接或直接地帮助识别和标注稀有类别的样本，从而改善模型在类别不平衡数据上的表现；