| 摘要 | 第1-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第10-16页 |
| ·研究背景及意义 | 第10-12页 |
| ·国内外研究现状 | 第12-14页 |
| ·本文主要研究内容 | 第14-15页 |
| ·本文的组织结构 | 第15-16页 |
| 第二章 LDA 模型 | 第16-32页 |
| ·文本模型 | 第16-21页 |
| ·向量空间模型 | 第16-18页 |
| ·概率主题模型 | 第18-21页 |
| ·LDA 模型 | 第21-29页 |
| ·LDA 模型的生成过程 | 第21-24页 |
| ·LDA 模型的推理算法 | 第24-29页 |
| ·LDA 模型的相关度量 | 第29-30页 |
| ·主题相似度 | 第29页 |
| ·主题强度 | 第29-30页 |
| ·困惑度 | 第30页 |
| ·LDA 模型与其他几种概率主题模型的关系 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 第三章 基于 LDA 的在线主题演化模型 | 第32-50页 |
| ·基于 LDA 的在线主题演化模型 | 第32-38页 |
| ·基于 LDA 的在线主题演化模型的建模流程 | 第32-34页 |
| ·基于 LDA 的在线主题演化模型的生成过程 | 第34页 |
| ·主题内容遗传度 | 第34-35页 |
| ·在线主题相似性度量 | 第35-36页 |
| ·新主题的探测与旧主题的消亡 | 第36-38页 |
| ·噪音主题与其过滤 | 第38页 |
| ·基于 LDA 的在线主题演化模型的推理算法 | 第38-41页 |
| ·在线变分 EM 算法与在线 Gibbs 采样算法 | 第39页 |
| ·在线推理算法的衡量指标 | 第39-41页 |
| ·在线变分 EM 算法与在线 Gibbs 采样算法的实验结果与分析 | 第41-49页 |
| ·台湾时政类新闻数据集与 NIPS 数据集预处理 | 第41-42页 |
| ·在线推理算法的参数设置 | 第42-44页 |
| ·在线推理算法时间效率的实验结果与分析 | 第44-45页 |
| ·在线推理算法主题数落差的实验结果与分析 | 第45-46页 |
| ·在线推理算法相似性的实验结果与分析 | 第46-47页 |
| ·在线推理算法困惑度的实验结果与分析 | 第47-49页 |
| ·本章小结 | 第49-50页 |
| 第四章 基于 LDA 的在线主题演化模型优化 | 第50-79页 |
| ·Rect-OGRS: 修正的在线 Gibbs 重采样算法 | 第50-55页 |
| ·Rect-OGS 算法：修正的在线 Gibbs 采样算法 | 第50-53页 |
| ·GRS 算法：Gibbs 重采样算法 | 第53-55页 |
| ·BPE-OLDA 模型：基于 LDA 的双通道在线主题演化模型 | 第55-59页 |
| ·主题强度遗传度 | 第55-57页 |
| ·BPE-OLDA 模型 | 第57-59页 |
| ·实验结果与分析 | 第59-78页 |
| ·台湾时政类新闻数据集的实验结果与分析 | 第60-71页 |
| ·NIPS 数据集的实验结果与分析 | 第71-78页 |
| ·本章小结 | 第78-79页 |
| 第五章 总结与展望 | 第79-81页 |
| ·总结 | 第79-80页 |
| ·展望 | 第80-81页 |
| 致谢 | 第81-82页 |
| 参考文献 | 第82-86页 |
| 作者在学期间取得的学术成果 | 第86页 |
