基于LDA的西里爾蒙古文主題模型研究.pdf

1、主題模型(Topic Model)，顧名思義就是對(duì)文字中隱含主題的一種建模方法。主題模型在機(jī)器學(xué)習(xí)和自然語(yǔ)言處理領(lǐng)域中有廣泛應(yīng)用。通常被用來(lái)在一系列文檔中去發(fā)現(xiàn)與本文檔語(yǔ)義相近的主題。
　　本文是針對(duì)西里爾蒙古文的主題建模。通過(guò)分析西里爾蒙古文的特點(diǎn)，進(jìn)行文檔預(yù)處理。主要進(jìn)行了詞綴切分，命名實(shí)體識(shí)別和去除停用詞。選取基本詞結(jié)合命名實(shí)體作為特征單元作為進(jìn)行向量化構(gòu)建。通過(guò)比對(duì)LSA，PLSA和LDA相關(guān)主題模型的性能。分析不同的模型

2、在西里爾蒙古文語(yǔ)料下的建模性能。最終選擇LDA作為西里爾蒙古文的主題建模模型。模型訓(xùn)練對(duì)比了EM算法和Gibbs采樣算法。分析算法的不同性能，并針對(duì)西里爾蒙古文的主題建模提出了一種改進(jìn)的Gibbs采樣算法。在改進(jìn)的Gibbs采樣算法上訓(xùn)練LDA主題模型，優(yōu)化了LDA主題模型在西里爾蒙古文上的建模性能。
　　西里爾蒙古文的主題構(gòu)建可以幫助快速處理海量的信息。同時(shí)文檔通過(guò)主題進(jìn)行表達(dá)，降低了傳統(tǒng)的基于詞表達(dá)的空間維度。大大提升了利用蒙