基于LDA模型的新闻话题发现研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 引言 | 第8-10页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 本文主要内容 | 第9页 |
| 1.3 论文的结构安排 | 第9-10页 |
| 第二章 相关理论与关键技术 | 第10-19页 |
| 2.1 数据挖掘 | 第10-11页 |
| 2.1.1 数据挖掘主要任务 | 第10页 |
| 2.1.2 数据挖掘主要步骤 | 第10-11页 |
| 2.2 话题发现的相关技术 | 第11-18页 |
| 2.2.1 话题发现流程 | 第11页 |
| 2.2.2 语料采集与预处理 | 第11-13页 |
| 2.2.3 文本模型表示 | 第13-15页 |
| 2.2.4 文档间相似度量准则 | 第15页 |
| 2.2.5 文本聚类主要算法 | 第15-18页 |
| 2.3 本章小结 | 第18-19页 |
| 第三章 基于 LDA 主题模型的新闻文本聚类 | 第19-28页 |
| 3.1 LDA 模型介绍 | 第19-22页 |
| 3.1.1 LDA 主题挖掘 | 第19-21页 |
| 3.1.2 参数估计 | 第21-22页 |
| 3.2 基于 LDA 模型的文本聚类 | 第22-24页 |
| 3.2.1 新闻文本的模型表示 | 第22-23页 |
| 3.2.2 基于 LDA 的文本相似度计算 | 第23-24页 |
| 3.3 基于 LDA 模型的簇主题识别 | 第24-27页 |
| 3.3.1 聚簇主题识别方法简介 | 第24页 |
| 3.3.2 主题识别的评价方法 | 第24-25页 |
| 3.3.3 基于 LDA 模型的聚簇主题识别 | 第25-27页 |
| 3.4 本章小结 | 第27-28页 |
| 第四章 实验结果与分析 | 第28-37页 |
| 4.1 语料选择与实验环境 | 第28页 |
| 4.1.1 实验数据 | 第28页 |
| 4.1.2 实验环境 | 第28页 |
| 4.2 性能评价指标 | 第28-29页 |
| 4.3 LDA 建模平台搭建 | 第29-33页 |
| 4.3.1 最优主题数 T 的选择 | 第29-30页 |
| 4.3.2 文本建模结果 | 第30-33页 |
| 4.4 参数的选取 | 第33页 |
| 4.5 实验结果与分析 | 第33-35页 |
| 4.5.1 聚类结果分析 | 第33-35页 |
| 4.5.2 聚簇主题识别结果及分析 | 第35页 |
| 4.6 本章小结 | 第35-37页 |
| 第五章 总结与展望 | 第37-39页 |
| 5.1 文章总结 | 第37页 |
| 5.2 研究展望 | 第37-39页 |
| 参考文献 | 第39-41页 |
| 致谢 | 第41页 |
