基于主題模型的文本挖掘的研究.pdf

1、隨著大數(shù)據(jù)時代的到來以及互聯(lián)網(wǎng)的不斷發(fā)展，以文本資源為典型的各種資源呈爆炸式增長，從紛繁復(fù)雜的文本資源中挖掘有潛在價(jià)值的、用戶感興趣的信息變得愈加困難。研究人員鉆研了各種算法、設(shè)計(jì)了各種工具以便用戶能夠幫助我們快速、有效地理解大量文本內(nèi)容，這些工作歸結(jié)在一起主要是文本主題挖掘技術(shù)。主題是文本的靈魂，發(fā)掘文本主題是用戶去粗取精、去偽存真、從感性認(rèn)識到理性認(rèn)識的飛躍過程，是用戶對文本深入開發(fā)的過程。本文首先利用LDA主題聚類技術(shù)挖掘期刊論文

2、中的主題信息，發(fā)現(xiàn)主題模型對期刊推薦方法有較大的幫助，但是也存在一定的問題，例如LDA主題數(shù)目確定困難、主題隨時間發(fā)生變化。因此本文又深入探索了如何挖掘主題隨時間的變化并可視化展示，即主題演化信息及可視化展示問題。發(fā)現(xiàn)主題演化信息并展示對了解主題的研究熱點(diǎn)、演變趨勢以及對未來進(jìn)行預(yù)測等有很大幫助。文本主要內(nèi)容如下:
　　首先，本文研究了主題模型對期刊推薦的應(yīng)用價(jià)值，以潛在狄利克雷分配(LDA)主題模型的結(jié)果為基礎(chǔ)，結(jié)合SVM分類算

3、法，大大提升了分類算法在期刊推薦的效果。論文投稿不僅牽扯到論文和期刊的研究方向，還牽扯到論文以及期刊的質(zhì)量高低，為了在學(xué)者投稿時幫助學(xué)者選擇合適的期刊，本文對LDA主題模型進(jìn)行深入學(xué)習(xí)，結(jié)合SVM分類算法進(jìn)行期刊推薦，實(shí)驗(yàn)發(fā)現(xiàn)基于LDA的期刊推薦算法明顯優(yōu)于基于SVM的期刊推薦方法、基于內(nèi)容的期刊推薦方法、基于用戶的期刊推薦、基于期刊相似度的推薦方法，而且本文在對推薦錯誤的論文進(jìn)行研究發(fā)現(xiàn)有些期刊存在發(fā)表與自己研究主題不大相符的問題。<

4、br>　　其次，本文利用分層的狄里克雷分布(HDP)主題挖掘算法研究了主題演化問題（主題的分流、合流，主題的漸增、漸減，主題的新生、消亡），并利用主題河將主題演化信息生動地展示出來。本文以汽車專利為出發(fā)點(diǎn)研究汽車產(chǎn)業(yè)中的主題演化信息，將HDP算法應(yīng)用到汽車專利主題聚類中，通過當(dāng)前主題以及加入歷史信息之后的主題變化來發(fā)現(xiàn)主題之間的分流、合流等關(guān)系，然后將主題以及主題的分流、合流信息利用可視化技術(shù)直觀展示出來。實(shí)驗(yàn)發(fā)現(xiàn)中文汽車專利有三個重要