本书基于作者多年来对于文本大数据的研究成果创作完成，主要分为两部分内容。第一部分包括前5章，基于主题模型，首先介绍了基础的主题模型及其推断、评价方法，然后介绍了多语料联合、动态稀疏等多角度的主题模型，以及主题模型的变点检测方法。第二部分包括后3章，基于机器学习和深度学习模型，包括文本分层分类模型、异质图新闻推荐模型以及基于多层级信息的多模态属性级情感分析模型。书中每种方法均配有实际分析案例。本书对文本分析方法的理论研究和实践应用有重要参考价值，可作为大学相关专业高年级本科生或研究生的入门教材，也可作为从事相关技术研发的开发人员的参考书。

前言
第1章 主题模型简介
1.1 基本概念与符号
1.2 基础主题模型
1.2.1 LDA模型
1.2.2 DTM模型
1.3 参数推断方法
1.3.1 变分贝叶斯
1.3.2 Gibbs抽样
1.4 评价指标
1.4.1 评价模型的泛化能力
1.4.2 评价主题内部的一致性
1.4.3 评价不同主题间的相似性
1.5 实例应用
1.6 模型拓展
1.6.1 短文本建模
1.6.2 有监督模型
1.6.3 词向量主题模型
参考文献
附录：Dirichlet-Multinomial共轭结构
第2章 多语料联合主题模型
2.1 基本概念与符号
2.2 多语料联合主题模型
2.2.1 模型生成过程
2.2.2 最大熵模型
2.3 参数推断方法
2.3.1 模型推断
2.3.2 超参确定
2.4 实例应用
2.4.1 护肤品数据集
2.4.2 连锁日本餐厅数据集
2.5 讨论
参考文献
第3章 动态稀疏主题模型
3.1 基本概念与符号
3.2 动态稀疏主题模型
3.2.1 模型介绍
3.2.2 模型生成过程
3.3 参数推断方法
3.3.1 零阶坍塌变分贝叶斯推断算法
3.3.2 参数估计
3.3.3 推断算法
3.4 实例应用
3.4.1 JASA数据集
3.4.2 研究生论文语料库
3.5 讨论
参考文献
第4章 动态稀疏联合主题模型
4.1 基本概念与符号
4.2 动态稀疏联合主题模型
4.3 参数推断方法
4.3.1 变分贝叶斯EM算法
4.3.2 变分卡尔曼滤波算法
4.3.3 推断算法
4.4 实例应用
4.5 讨论
参考文献
第5章 混合贝叶斯变点检测模型
5.1 基本概念与符号
5.2 混合贝叶斯变点检测模型
5.3 参数推断方法
5.4 实例应用
5.4.1 亚马逊评论数据集
5.4.2 期刊数据集
5.4.3 联合国数据集
5.5 讨论
参考文献
第6章 文本分层分类模型
6.1 基本概念与符号
6.2 文本分层分类模型
6.2.1 H.S.性质
6.2.2 分层结构中节点间的不相似度
6.2.3 基于角的分层分类器
6.3 模型求解算法
6.3.1 标签嵌入法
6.3.2 线性损失
6.4 实例应用
6.4.1 评价指标
6.4.2 实证分析
6.5 讨论
参考文献
第7章 异质图新闻推荐模型
7.1 基本概念与符号
7.2 异质图新闻推荐模型
7.2.1 准备知识
7.2.2 模型简介
7.2.3 节点特征准备
7.2.4 异质邻居采样
7.2.5 信息聚合与预测
7.3 实例应用
7.3.1 数据集与对比模型
7.3.2 实验结果
7.4 讨论
参考文献
第8章 基于多层级信息的多模态属性级情感分析模型
8.1 基本概念与符号
8.2 基于多层级信息的多模态属性级情感分析模型
8.2.1 基础模型
8.2.2 多模态联合模型
8.3 实例应用
8.3.1 数据集介绍
8.3.2 评估指标
8.3.3 基线模型
8.3.4 实验结果
8.4 讨论
参考文献