| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-17页 |
| 1.1 研究背景和意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 启发式的短文本聚类方法 | 第13-14页 |
| 1.2.2 基于话题模型的短文本聚类方法 | 第14-15页 |
| 1.3 本文研究内容 | 第15-16页 |
| 1.4 论文组织结构 | 第16-17页 |
| 2 相关理论及方法 | 第17-34页 |
| 2.1 短文本的表示方法 | 第17-19页 |
| 2.1.1 传统的空间向量模型(VSM) | 第17-18页 |
| 2.1.2 基于潜语义分析(LSA/LSI)模型 | 第18-19页 |
| 2.2 文本相似度计算方法 | 第19-21页 |
| 2.3 文本聚类方法总结 | 第21-29页 |
| 2.3.1 SPK-Means方法 | 第22-23页 |
| 2.3.2 GNMF算法 | 第23-24页 |
| 2.3.3 LDA(Latent dirichilet Allocation)算法 | 第24-26页 |
| 2.3.4 BTM(Biterm Topic Model)算法 | 第26-27页 |
| 2.3.5 GSDMM(Dirichilet Mutional Mixture model)聚类方法 | 第27-29页 |
| 2.4 参数估计 | 第29-31页 |
| 2.4.1 MCMC采样求解 | 第29-30页 |
| 2.4.2 变分推断 | 第30-31页 |
| 2.5 聚类评价指标 | 第31-33页 |
| 2.5.1 精确度(ACC) | 第31页 |
| 2.5.2 标准化互信息(NMI) | 第31-32页 |
| 2.5.3 F测度(PWF) | 第32-33页 |
| 2.6 本章小结 | 第33-34页 |
| 3 具有词判别力学习的短文本话题模型 | 第34-43页 |
| 3.1 具有词判别力学习的短文本话题模型概述 | 第34-35页 |
| 3.2 具有词判别力学习的短文本话题模型描述 | 第35-37页 |
| 3.2.1 LDA-λ模型 | 第35-36页 |
| 3.2.2 BTM-λ模型 | 第36-37页 |
| 3.2.3 GSDMM-λ模型 | 第37页 |
| 3.3 实验与分析 | 第37-42页 |
| 3.3.1 数据集 | 第37-38页 |
| 3.3.2 实验结果 | 第38-39页 |
| 3.3.3 参数敏感性分析 | 第39-42页 |
| 3.4 本章小结 | 第42-43页 |
| 4 短文本半监督话题模型 | 第43-57页 |
| 4.1 短文本半监督聚类方法概述 | 第43-45页 |
| 4.2 短文本半监督话题模型描述 | 第45-50页 |
| 4.2.1 Semi-LDA模型 | 第46-48页 |
| 4.2.2 Semi-BTM模型 | 第48-49页 |
| 4.2.3 Semi-GSDMM模型 | 第49-50页 |
| 4.3 实验与分析 | 第50-56页 |
| 4.4 本章小结 | 第56-57页 |
| 5 总结与展望 | 第57-59页 |
| 5.1 论文工作总结 | 第57页 |
| 5.2 未来工作展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第63-65页 |
| 学位论文数据集 | 第65页 |
