融合文獻(xiàn)內(nèi)外部特征的層次Dirichlet過程主題模型研究.pdf

1、以LDA為代表的主題模型自提出以來，就在表示文檔、模擬文檔的產(chǎn)生過程、處理文檔降維、挖掘文檔中隱含信息等方面取得了長(zhǎng)足進(jìn)步，如今已經(jīng)被廣泛應(yīng)用于信息抽取、社會(huì)媒體挖掘和學(xué)術(shù)挖掘等領(lǐng)域。
　　本文首先對(duì)主題模型中的一些相關(guān)概念進(jìn)行了介紹，并且從主題模型發(fā)展的歷史角度，梳理了主題模型的發(fā)展脈絡(luò)。然后立足于科技情報(bào)分析工作，對(duì)融合文獻(xiàn)內(nèi)外部特征的主題模型和建模主題間關(guān)系的主題模型這兩大類主題模型的發(fā)展方向進(jìn)行了歸納總結(jié)。在融合文獻(xiàn)內(nèi)外部

2、特征方面，本文從融合單一外部特征和同時(shí)融合多個(gè)外部特征兩個(gè)角度綜述了一些典型主題模型，并對(duì)其進(jìn)行了客觀分析和評(píng)價(jià)。所涉及的外部特征主要包括:科研人員、時(shí)間、母體文獻(xiàn)、合著關(guān)系以及參考文獻(xiàn)等。而在建模主題間關(guān)系方面，主要從建模主題間關(guān)系和確定主題個(gè)數(shù)兩個(gè)方面進(jìn)行歸納。本文基于主題模型的這兩個(gè)方面的發(fā)展趨勢(shì)，建立了一種融合文獻(xiàn)內(nèi)外部特征的層次Dirichlet過程主題模型，在反映文獻(xiàn)多種外部特征的同時(shí)又能確定主題個(gè)數(shù)。
　　本文在構(gòu)造

3、模型的過程中，首先將融合科研人員特征的模型（AT模型和coAT模型）中的主題個(gè)數(shù)進(jìn)行非參數(shù)化處理，構(gòu)造出非參數(shù)形式的AT模型和coAT模型，使得這兩個(gè)模型既能反映科研人員（合著）特征，又能自動(dòng)確定主題個(gè)數(shù)，并且利用吉布斯采樣算法對(duì)模型進(jìn)行推斷。之后在這兩個(gè)模型的基礎(chǔ)上，又融入更多的外部特征，構(gòu)造出AOCToT模型，使得模型既能同時(shí)反映出文獻(xiàn)的科研人員、時(shí)間、參考文獻(xiàn)、母體文獻(xiàn)、科研機(jī)構(gòu)等特征，又能自動(dòng)計(jì)算主題個(gè)數(shù)。最后給出了融合文獻(xiàn)的科

4、研人員、時(shí)間、參考文獻(xiàn)、母體文獻(xiàn)、科研機(jī)構(gòu)和參考文獻(xiàn)等特征的AOCRToT模型的一個(gè)初步構(gòu)想。
　　除此之外，本文還利用NIPS數(shù)據(jù)集和空氣傳感器領(lǐng)域的專利數(shù)據(jù)集對(duì)無限AT和無限coAT模型做了深層主題揭示化分析，并把不同數(shù)據(jù)集在不同模型中所得到的結(jié)果進(jìn)行比較分析，對(duì)模型進(jìn)行評(píng)判，驗(yàn)證了模型的可行性和有效性。另外，用Hindawi出版集團(tuán)下的期刊中計(jì)算機(jī)領(lǐng)域的論文摘要數(shù)據(jù)對(duì)AOCToT模型進(jìn)行了可行性和有效性驗(yàn)證。因此，本文對(duì)主題