| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 研究背景和意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 常规的稀疏主题模型 | 第11-13页 |
| 1.2.2 结合词向量的主题模型 | 第13-14页 |
| 1.2.3 稀疏贝叶斯学习 | 第14-15页 |
| 1.3 本文主要研究内容 | 第15-16页 |
| 1.4 本文组织结构 | 第16-18页 |
| 第2章 稀疏主题编码理论基础 | 第18-28页 |
| 2.1 非负矩阵分解 | 第18-22页 |
| 2.1.1 基本的非负矩阵分解 | 第18-20页 |
| 2.1.2 l_1稀疏约束的非负矩阵分解 | 第20页 |
| 2.1.3 投影非负矩阵 | 第20-22页 |
| 2.2 稀疏主题编码 | 第22-24页 |
| 2.3 组稀疏主题编码 | 第24-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 基于块稀疏贝叶斯学习的主题模型 | 第28-37页 |
| 3.1 词向量模型 | 第28-29页 |
| 3.2 k-means聚类算法基础 | 第29-30页 |
| 3.3 词向量上块结构的划分 | 第30-31页 |
| 3.4 块稀疏贝叶斯学习方法 | 第31-34页 |
| 3.4.1 贝叶斯理论 | 第31-32页 |
| 3.4.2 稀疏贝叶斯学习 | 第32-33页 |
| 3.4.3 块稀疏贝叶斯学习 | 第33-34页 |
| 3.5 Block-BSTC的概率生成过程 | 第34-36页 |
| 3.6 本章小结 | 第36-37页 |
| 第4章 基于块稀疏贝叶斯学习的主题模型的概率优化求解过程 | 第37-43页 |
| 4.1 稀疏贝叶斯学习模型的EM优化方法基础 | 第37-39页 |
| 4.2 词编码的优化求解过程 | 第39-40页 |
| 4.3 主题字典学习方法求解过程 | 第40-42页 |
| 4.3.1 字典学习方法基本原理 | 第40-42页 |
| 4.3.2 主题字典求解 | 第42页 |
| 4.4 本章小结 | 第42-43页 |
| 第5章 实验结果及分析 | 第43-49页 |
| 5.1 实验的数据集及其预处理 | 第43-44页 |
| 5.1.1 数据集介绍 | 第43-44页 |
| 5.1.2 数据预处理及实验环境设置 | 第44页 |
| 5.2 稀疏潜在表达评估 | 第44-47页 |
| 5.2.1 词编码 | 第44-46页 |
| 5.2.2 文档的分类准确性 | 第46-47页 |
| 5.3 本章小结 | 第47-49页 |
| 第6章 总结与展望 | 第49-50页 |
| 参考文献 | 第50-55页 |
| 硕士期间发表的论文 | 第55-56页 |
| 致谢 | 第56-57页 |