| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 引言 | 第9-15页 |
| ·论文背景 | 第9-13页 |
| ·项目背景 | 第9-11页 |
| ·文本分析研究现状 | 第11-13页 |
| ·研究内容 | 第13页 |
| ·本次论文的组织结构 | 第13-15页 |
| 第二章 相关技术 | 第15-23页 |
| ·主题模型 | 第15-17页 |
| ·主题模型的表示 | 第16-17页 |
| ·参数估计 | 第17页 |
| ·样本推断 | 第17页 |
| ·隐性语义索引 | 第17-19页 |
| ·主成分分析 | 第18页 |
| ·隐形语义索引 | 第18-19页 |
| ·期望最大化算法和参数估计 | 第19页 |
| ·概率隐性语义索引 | 第19-21页 |
| ·概率主题模型 | 第20页 |
| ·参数计算 | 第20-21页 |
| ·样本推断 | 第21页 |
| ·PLSI和LSI的关系 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 第三章 LDA(潜在狄利克雷分布)算法的研究及实现 | 第23-42页 |
| ·算法思想 | 第23-26页 |
| ·LDA主题模型 | 第26-27页 |
| ·LDA模型表示 | 第27-29页 |
| ·狄利克雷先验分布 | 第29-33页 |
| ·二项分布 | 第29-30页 |
| ·贝塔分布 | 第30-31页 |
| ·共轭先验分布 | 第31页 |
| ·狄利克雷先验分布 | 第31-33页 |
| ·参数估计 | 第33-35页 |
| ·样本推断 | 第35-36页 |
| ·吉普斯抽样算法 | 第36-38页 |
| ·吉普斯采样算法与EM算法联系 | 第38页 |
| ·LDA与PLSI的联系 | 第38-39页 |
| ·MatLab工具 | 第39页 |
| ·算法实现 | 第39-41页 |
| ·本章小结 | 第41-42页 |
| 第四章 基于LDA标签推荐程序实现 | 第42-70页 |
| ·基于LDA标签推荐程序 | 第42-56页 |
| ·知识管理平台 | 第42-45页 |
| ·程序流程 | 第45-47页 |
| ·接口部分实现 | 第47-53页 |
| ·算法实现 | 第53-56页 |
| ·改进与结果 | 第56-64页 |
| ·针对分词的改进 | 第56-63页 |
| ·针对LDA算法的改进 | 第63-64页 |
| ·最终结果及分析 | 第64-69页 |
| ·本章小结 | 第69-70页 |
| 第五章 总结和展望 | 第70-72页 |
| ·总结 | 第70-71页 |
| ·展望 | 第71-72页 |
| 参考文献 | 第72-73页 |
| 致谢 | 第73页 |