顺便说一句 – 在 LDA 向量空间模型中，主题不会具有像“狗”和“猫”这样的精确标签关联，而是像“围绕狗主题的向量”这样的东西。
遗憾的是，我无法真正想象这一步之后的具体过程，因为它依赖于将上述简单模型扩展至数千或数百万个主题，每个主题都有其自身的维度（任何尝试过的人都知道，在博客文章中绘制超过三维的维度非常困难）。使用此结构，该模型可以计算任何单词或词组与其创建的主题之间的相似度。您可以阅读斯坦福大学的《信息检索导论》一文，其中有专门关于向量空间模型的章节，了解更多相关信息。
在过去的十个月里
Ben（在其他 SEOmoz 团队成员的 电报数据库 帮助下）基于相对简单的 LDA 实现构建了一个主题建模系统。虽然这项工作本身就颇具挑战性，但我们或许并非第一个专注于 SEO 的机构这样做，但可能是第一个将其公开发布的机构。
当我们最初开始这项研究时，我们并不知道LDA/主题建模会对搜索引擎产生什么样的影响。因此，研究完成后，我们非常兴奋（甚至欣喜若狂）地看到了以下结果：
Google.com 排名与各项单一指标之间的相关性
（图中垂直的蓝色条表示标准误差，由于样本量较大，所以标准误差相对较低）
使用我们在 SMX Advanced 上发布 Google 与 Bing 相 沙特化对劳动力的影响 关性/排名数据时所采用的相同过程（我们在此处发布了有关该过程的更多详细信息），我们展示了大多数 SEO 人员熟悉的一组指标与一些 LDA 结果的 Spearman 相关性，包括：
- TF*IDF – 经典的词条权重公式，TF*IDF 比关键词密度等更原始的指标更准确地衡量关键词的使用情况。在本例中，我们只取出现在 Google 排名中的页面内容的 TF*IDF 分数。
- 已关注 IP – 这是我们基于单链接的指标中相关性最高的指标，它显示了托管包含指向该 URL 的已关注链接的网站的唯一 IP 地址数量。正如我们过去所展示的，使用页面权威性
LDA 得分与排名的相关性令人难以置信
当然，它们并非完全相关，但 WhatsApp 数据库印度 考虑到 Google 排名算法的复杂性及其所涉及的众多因素，这种相关性也并非不可预期。然而，看到 LDA 得分呈现出如此显著的结果，我们不禁认真思考这其中是否存在因果关系（我们希望通过我们的排名模型进行更多研究，以尝试证明这种影响）。或许，好的链接更有可能通过主题模型或 Google 算法的其他方面指向更“相关”的页面，而我们目前尚不清楚这些页面会自然地偏向这些页面。