LDA模型其实是对PLAS模型的一种贝叶斯学派改进(贝叶斯学派认为样本是不变的，而参数是服从某一种分布的)。所以有了一种丢骰子的模型，第一种骰子是doc_topic，第二种是topic_word，我们有两个口袋，口袋中分别有无限多种分布的骰子。我们先从第一个口袋中选一个骰子，再该掷骰子，产生了一个topic，再从另一个口袋中抽一个满足该topic的骰子，再掷骰子会得到一个word。
这就产生了两个概率问题，第一是从口袋中抽骰子并掷骰子得到topic，第二是知道topic再抽再掷骰子得到word。
我们分析一个概率问题，第二个类似。从口袋抽的过程是一个Dirichlet概率问题(先验概率)，根据topic的种类分布(一个多项式分布)，我们可以得到从口袋抽并掷骰子得到一个topic的分布(后验概率)。满足贝叶斯理论:先验分布+似然=后验分布
我们可以根据该理论推导出，参数估计(抽的那个骰子的分布参数)，和后验概率。
因为我们有独立的M个文本和独立的K个主题，所以我们有M+K个Dirichlet_Mult共轭，根据以上公式，也就有其后验概率。
(Z代表topic编号)
由于M个文本和K个主题独立生成，所以有
(w是整个文本)
故我们能得到一个主题和文本的联合分布
得到联合分布后，再通过算法求解：拉格朗日求解法，进行求解
