本文参考自：https://www.zhihu.com/question/21692336/answer/19387415
方法一：
alpha 是 选择为 50/ k, 其中k是你选择的topic数，beta一般选为0.01吧，，这都是经验值，貌似效果比较好，收敛比较快一点。。有一篇paper， lda-based document models for ad-hoc retrieval里面的实验系数设置有提到一下啊
方法二：
alpha属于超参数，可以经验贝叶斯估计，在Blei原作里面是用EM算法估计超参数的。E步就是固定超参数，对其中的变分参数gamma和phi进行推断，然后在M步，利用E步得到的变分参数最大化边缘似然函数，对alpha和beta进行估计。E步和M步迭代进行，最后可以收敛到一个定值。这就是变分EM方法，Blei原作里面也是这么做的。经过训练以后，当给一个新的文档，就可以使用训练中得到的alpha和beta直接对新文档进行变分，从而对其进行聚类。
在这里beta仍然是参数，完全贝叶斯方法还要在beta上加一个狄利克雷先验，这时仍然可以用变分EM估计beta的先验。
在上面的过程中，E步用到的是变分推断，这一步可以用Gibbs推断代替，这时可以得到参数theta和beta。然后再用M步最大化边缘似然函数，得到超参数alpha和beta的先验参数，在不同的文章里上面的符号表示的不太一样，注意区分一下。LDA的Gibbs推断详细算法可以参考“parameter estimation for text analysis”