Topic models主要可以分爲四大類：
1.無監督無層次結構, 主要有：
(1)PLSA(Hofmann 1999),
(2) LDA(Blei et al., 2003),
(3)Correlated Topic Model (Blei and Lafferty, 2006 )
CTM主要是爲了克服標準LDA模型不能建模話題在文檔中出現的相關性的缺點，將LDA中文檔話題分佈服從的Dirichlet分佈改爲Logistic正態分佈。例如CTM論文中舉的一個例子是在Science雜誌語料中，一篇遺傳學文章很可能也跟健康和疾病有關，但是卻不大可能跟射線天文學有關。
因爲Logistic正態分佈不再是Multinomial分佈的共軛分佈，因此模型的解變得更加複雜。對此，作者使用的方法是，在變分推理的過程中，繼續使用Taylor展開式以簡化似然函數下界的複雜性。
圖X Correlated Topic Model 模型的圖形表示
07年CTM詳細版本：CTM2007
CTM的變分推導細節見另一個學者的文檔：Variational EM Algorithms for Correlated Topic Models
(4) PAM(Li and McCallum, ICML 2006)，
Concept Topic Model等
2. 無監督有層次結構, 主要有：
HLDA(Blei NIPS 2003)，
HDP(Teh et al., 2005)：標準LDA模型中話題的個數K需要已知，然而很多時候確定K的大小是一件困難的事情。HDP能夠根據數據自動確定K的大小。
HPAM(Mimno et al., ICML 2007)
3. 有監督無層次結構, 主要有： S-LDA( Blei et al., 2007), Disc-LDA, MM-LDA, Author-Model, Labeled LDA(Ramage et al., 2009), PLDA(Wang et al., 2009) 等
4. 有監督有層次結構, 主要有： hLLDA(Petinot et al., ACL 2011), HSLDA(Hierarchically Supervised Latent Dirichlet Allocation, Perotte et al., NIPS 2012)
除上述集中類型的話題模型外，還有一些半監督的話題模型，主要有：
Semi-LDA(Wang et al. 2007), SSHLDA(Semi-Supervised Hierarchical Topic Model, Mao EMNLP 2012)
另一些LDA變種主要是爲了描述一些鏈接信息而作的擴展：
Link LDA (2004)
Topic-Link LDA（Liu et al., ICML 2009）
RTM (Chang and Blei, AISTATS 2009): Relational topic models: 文檔之間有連接關係，即對一個文檔網絡建模。使用一個響應變量來表示文檔之間的關係。
Author-topic model（Rosen-Zvi et al., UAI 2004）: 將文檔作者也考慮進去
DTM(Blei and Lafferty, ICML 2006) Dynamic Topic Models,話題隨時間的演變
STM（Pathak, et al., KDD workshop 2008）Social Topic Models for Community Extraction
Social-Network Analysis Using Topic Model SIGIR2012
