本文參考自：https://www.zhihu.com/question/21692336/answer/19387415
方法一：
alpha 是 選擇為 50/ k, 其中k是你選擇的topic數，beta一般選為0.01吧，，這都是經驗值，貌似效果比較好，收斂比較快一點。。有一篇paper， lda-based document models for ad-hoc retrieval里面的實驗系數設置有提到一下啊
方法二：
alpha屬於超參數，可以經驗貝葉斯估計，在Blei原作里面是用EM算法估計超參數的。E步就是固定超參數，對其中的變分參數gamma和phi進行推斷，然后在M步，利用E步得到的變分參數最大化邊緣似然函數，對alpha和beta進行估計。E步和M步迭代進行，最后可以收斂到一個定值。這就是變分EM方法，Blei原作里面也是這么做的。經過訓練以后，當給一個新的文檔，就可以使用訓練中得到的alpha和beta直接對新文檔進行變分，從而對其進行聚類。
在這里beta仍然是參數，完全貝葉斯方法還要在beta上加一個狄利克雷先驗，這時仍然可以用變分EM估計beta的先驗。
在上面的過程中，E步用到的是變分推斷，這一步可以用Gibbs推斷代替，這時可以得到參數theta和beta。然后再用M步最大化邊緣似然函數，得到超參數alpha和beta的先驗參數，在不同的文章里上面的符號表示的不太一樣，注意區分一下。LDA的Gibbs推斷詳細算法可以參考“parameter estimation for text analysis”