第一次用Github，一边学习一边更新，其实网上关于这部分的代码很多，但是自己写能加深认识和理解。
目前完成了
LDA: Latent Dirichlet Allocation by David M.Blei, et al. (2003)
Labeled-LDA: Labeled LDA: A supervised topic model for credit attribution in multi-labeled corpora by Ramage D, et al. (2009)
Author-Topic-Model: The Author-Topic Model for Authors and Documents by Rosen-Zvi, et al. (2004)
都是采用Gibbs Sampling实现。
接下来的任务：
1.代码里只设置了最大迭代次数，如何判断马尔科夫链的收敛，计算公式？
2.主题数确定：perplexity p(w|T)如何计算
3.推断
好久没看主题模型这方面的了，根据Boss要求，更新了一个主题模型：
Exploiting Temporal Authors Interests via Temporal-Author-Topic Modeling by Ali Daud, et al. (2009)
虽然代码可读性有点小瑕疵，不过经过试验，代码能完成基本的任务，暂时先这样吧~
去掉了Temporal-Author-Topic Modeling中的一个循环，并采用numba的@jit加速，效率有显著提升。 其他的准备也据此修改。