| 中文摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-10页 |
| 第一章 绪论 | 第10-18页 |
| ·课题研究背景及意义 | 第10-11页 |
| ·国内外研究现状 | 第11-15页 |
| ·主题模型的研究现状 | 第11-13页 |
| ·在线学习算法的研究现状 | 第13-14页 |
| ·主题追踪的研究现状 | 第14-15页 |
| ·目前存在的主要问题 | 第15-16页 |
| ·本文主要工作及创新点 | 第16-17页 |
| ·本文组织结构 | 第17-18页 |
| 第二章 相关主题模型的概述 | 第18-25页 |
| ·潜在语义分析模型介绍 | 第18-19页 |
| ·概率潜在语义分析模型介绍 | 第19-22页 |
| ·潜在狄利克雷分布模型介绍 | 第22-24页 |
| ·本章小结 | 第24-25页 |
| 第三章 基于 PLSA 模型的在线消息传递算法 | 第25-38页 |
| ·PLSA 模型常用在线近似推理算法简述 | 第25-26页 |
| ·因子图 | 第26-28页 |
| ·无向图转换为因子图 | 第27-28页 |
| ·有向图转换为因子图 | 第28页 |
| ·基于 Factor graph 的 PLSA 模型 | 第28-33页 |
| ·PLSA 模型的离线消息传递算法 | 第29-30页 |
| ·PLSA 模型的在线消息传递算法 | 第30-33页 |
| ·实验结果与对比分析 | 第33-37页 |
| ·评估学习参数 | 第33-34页 |
| ·算法自身性能对比 | 第34-35页 |
| ·在线学习算法对比 | 第35页 |
| ·在线学习算法在百度真实大规模数据下的对比 | 第35-37页 |
| ·本章小结 | 第37-38页 |
| 第四章 基于 LDA 模型的在线消息传递算法 | 第38-51页 |
| ·LDA 模型常用在线近似推理算法简述 | 第38-39页 |
| ·在线吉布斯采样算法 | 第38-39页 |
| ·在线变分贝叶斯算法 | 第39页 |
| ·基于 Factor graph 的 LDA 模型 | 第39-44页 |
| ·LDA 模型的离线消息传递算法 | 第40-42页 |
| ·LDA 模型的在线消息传递算法 | 第42-44页 |
| ·LDA 模型在线消息传递算法收敛性证明 | 第44-46页 |
| ·实验结果与对比分析 | 第46-50页 |
| ·评估学习参数 | 第46-47页 |
| ·算法自身性能对比 | 第47-48页 |
| ·在线学习算法对比 | 第48-49页 |
| ·在线消息传递算法在 PLSA 模型和 LDA 模型的对比 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 第五章 基于在线消息传递算法的主题追踪 | 第51-58页 |
| ·基于主题模型的主题追踪介绍 | 第51页 |
| ·PLSA 模型的主题追踪 | 第51-54页 |
| ·LDA 模型的主题追踪 | 第54-56页 |
| ·本章小结 | 第56-58页 |
| 第六章 总结和展望 | 第58-61页 |
| ·论文工作总结 | 第58-59页 |
| ·未来工作展望 | 第59-61页 |
| 参考文献 | 第61-66页 |
| 攻读学位期间公开发表的论文 | 第66-67页 |
| 致谢 | 第67-68页 |
