1 主题模型概述
1.1 主题模型产生背景
1.2 主题模型定义
1.3 概率主题模型
1.3.1 狄利克雷概率主题模型
1.3.2 动态主题模型
1.3.3 监督主题模型
1.3.4 情感主题模型
1.4 其他主题模型
1.4.1 神经网络主题模型
1.4.2 联合训练主题模型
1.4.3 非LDA主题模型
1.5 主题模型应用
1.5.1 社交媒体数据挖掘
1.5.2 文本分类和聚类
1.5.3 网络舆情分析
1.5.4 图像处理
1.5.5 社区发现
1.6 主题模型未来研究方向
1.6.1 模型性能扩展
1.6.2 新媒体文本应用
1.6.3 文档级语义分析
1.6.4 参数学习算法优化
1.6.5 生成对抗网络文本生成
1.7 本章小结
2 面向微博评论短文本的LDA主题模型
2.1 研究背景及意义
2.2 国内外研究现状
2.2.1 微博评论短文本聚类
2.2.2 LDA主题模型短文本聚类
2.3 融合情感词共现和知识对特征提取的LDA主题模型
2.3.1 问题描述
2.3.2 SKP-LDA算法设计
2.4 融合情感主题特征词加权的LDA主题模型
2.4.1 问题描述
2.4.2 MCCWSFW算法设计
2.5 实验仿真
2.5.1 SKP-LDA实验结果及分析
2.5.2 MCCWSFW实验结果及分析
2.6 本章小结
3 面向微博热点话题发现的BTM主题模型
3.1 研究背景及意义
3.2 国内外研究现状
3.2.1 微博热点话题发现研究现状
3.2.2 微博热点话题发现短文本聚类研究现状
3.3 融合Doc2Vec和突发概率的BTM主题模型
3.3.1 问题描述
3.3.2 IBBTM&Doc算法设计
3.4 面向微博热点话题发现短文本聚类的BTM主题模型
3.4.1 问题描述
3.4.2 BG&SLF-Kmeans算法设计
3.5 实验仿真
3.5.1 IBBTM&Doc实验结果及分析
3.5.2 BG&SLF-Kmeans实验结果及分析
3.6 本章小结
4 面向微博热点话题演化的oBTM主题模型
4.1 研究背景及意义
4.2 国内外研究现状
4.3 融合话题标签和先验参数的oBTM主题模型
4.3.1 问题描述
4.3.2 LPoBTM算法设计
4.4 LPoBTM实验结果及分析
4.4.1 实验数据采集
4.4.2 实验环境搭建
4.4.3 最优主题数选取
4.4.4 微博热点话题演化测试
4.5 本章小结
5 面向弹幕短文本流分析的oBTM主题模型
5.1 研究背景及意义
5.2 国内外研究现状
5.3 融合特征扩展和词对过滤的oBTM主题模型
5.3.1 问题描述
5.3.2 FEF-oBTM算法设计
5.4 FEF-oBTM实验结果及分析
5.4.1 实验数据采集及预处理
5.4.2 实验环境搭建
5.4.3 评价指标
5.4.4 权重优化效果测试
5.4.5 最优主题数选取
5.4.6 聚类效果测试
5.5 本章小结
6 面向弹幕短文本流演化的oBTM主题模型
6.1 研究背景及意义
6.2 国内外研究现状
6.3 融合情感极性和影响函数的oBTM主题模型
6.3.1 问题描述
6.3.2 EI-oBTM算法设计
6.4 EI-oBTM实验结果及分析
6.4.1 实验数据采集及预处理
6.4.2 实验环境搭建
6.4.3 评价指标
6.4.4 情感极性标注准确率测试
6.4.5 最优主题数选取
6.4.6 主题演化测试
6.5 本章小结
参考文献
展开