以下代碼是Jibbslda中計算(文檔-主題)和（主題-詞）矩陣的代碼實現
計算Theta(文檔-主題)
nd[m][k] 是文檔m被分配到主題k的單詞數量
ndsum[m]是文檔m中單詞的數量
K * trnModel.alpha//因爲所有的alpha,beta是一樣的所以，K*alpha爲所有alpha的和
public void computeTheta(){
for (int m = 0; m < trnModel.M; m++){
for (int k = 0; k < trnModel.K; k++){
//因爲每個主題的alpha是一樣的所以K*alpha
trnModel.theta[m][k] = (trnModel.nd[m][k] + trnModel.alpha) / (trnModel.ndsum[m] + trnModel.K * trnModel.alpha);
}
}
}
nw [i] [j]：分配給主題j的字/項i的實例數，大小V x K
nwsum[k] 被分配到主題K的單詞總數
計算phi（主題-詞）
public void computePhi(){
for (int k = 0; k < trnModel.K; k++){
for (int w = 0; w < trnModel.V; w++){
trnModel.phi[k][w] = (trnModel.nw[w][k] + trnModel.beta) / (trnModel.nwsum[k] + trnModel.V * trnModel.beta);
}
}
}
}
代碼用到的數學公式爲
----------------------------------------------------------------------------------------------------------
（以下摘抄於LDA數學八卦）
LDA中的估計和推斷過程基本一樣。我認爲估計得出主題-詞分佈之後爲每個主題手工賦予意義。然後推斷的時候就不用顯示topic7這樣的數字，而顯示例如文檔c919國產民航飛機（topic7）。下面列出估計過程。
訓練過程：
隨機初始化：對語料中的每篇文檔中的每個詞w，隨機賦予一個topic編號z;
重新掃描語料庫，對每個w，按照gibbs 抽樣公式重新採樣它的topic，並在語料庫中更新。
重複以上語料庫的採樣過程直到Gibbs Sampleing 收斂
統計語料庫中的topic-word共現頻率矩陣，該矩陣就是LDA的模型。
推斷過程：（在推斷過程中不用計算topic-word分佈，因爲在訓練中樣本足夠大，推斷時假定其不變，只要推斷出文檔-主題分佈即可。）
隨機初始化：對當前文檔中的每個詞w，隨機賦予一個topic編號z;
重新掃描語料庫，對每個w，按照gibbs 抽樣公式重新採樣它的topic。
重複以上採樣過程直到Gibbs Sampleing 收斂
統計文檔中的topic分佈，該分佈就是文檔-主題分佈。