| 创新点摘要 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 第1章 概述 | 第15-28页 |
| 1.1 机器学习简述 | 第15-17页 |
| 1.2 主题模型重新认识 | 第17-20页 |
| 1.3 主题模型研究研究领域简介 | 第20-22页 |
| 1.3.1 推断方法 | 第21页 |
| 1.3.2 验证方法 | 第21-22页 |
| 1.4 主题模型研究存在的问题 | 第22-23页 |
| 1.5 排序主题模型研究框架 | 第23-26页 |
| 1.6 主题分析的认知研究 | 第26页 |
| 1.7 章节安排 | 第26-28页 |
| 第2章 相关技术介绍 | 第28-52页 |
| 2.1 贝叶斯框架 | 第28-37页 |
| 2.1.1 可交换性 | 第28-31页 |
| 2.1.2 指数分布族 | 第31-33页 |
| 2.1.3 充分统计量 | 第33-35页 |
| 2.1.4 加入先验知识 | 第35-37页 |
| 2.2 图模型 | 第37-41页 |
| 2.2.1 图模型概览 | 第38页 |
| 2.2.2 有向图模型 | 第38-41页 |
| 2.3 EM算法 | 第41-43页 |
| 2.3.1 一个简单的例子 | 第41-42页 |
| 2.3.2 Jensen不等式 | 第42-43页 |
| 2.4 Variational Bayes介绍 | 第43-52页 |
| 2.4.1 参数学习 | 第44-49页 |
| 2.4.2 贝叶斯学习的变分方法 | 第49-52页 |
| 第3章 主题模型综述 | 第52-82页 |
| 3.1 语义分析发展历程 | 第52-53页 |
| 3.2 主题及主题产生过程 | 第53-57页 |
| 3.2.1 图模型及其表示 | 第55-56页 |
| 3.2.2 概率分布及共轭 | 第56-57页 |
| 3.3 Latent Dirichlet Allocation | 第57-61页 |
| 3.3.1 关于LDA先验分布的探讨 | 第58-61页 |
| 3.3.2 确定主题数目 | 第61页 |
| 3.4 主题间的关系与结构 | 第61-69页 |
| 3.4.1 主题间的关系 | 第61-64页 |
| 3.4.2 主题间的结构 | 第64-69页 |
| 3.5 判定性主题模型 | 第69-73页 |
| 3.6 主题模型中的推断方法 | 第73-78页 |
| 3.6.1 变分推断方法 | 第73-76页 |
| 3.6.2 抽样方法 | 第76-78页 |
| 3.7 主题模型的应用 | 第78-82页 |
| 3.7.1 主题模型的评价方法 | 第79-82页 |
| 第4章 CorrRank：基于关联关系的排序主题模型 | 第82-95页 |
| 4.1 查询无关的排序主题模型 | 第82-84页 |
| 4.2 主题关系和结构概述 | 第84-86页 |
| 4.2.1 主题关系研究 | 第84-85页 |
| 4.2.2 主题结构研究 | 第85-86页 |
| 4.3 CorrRank：基于关联的查询无关排序主题模型 | 第86-90页 |
| 4.3.1 主题影响度 | 第86-89页 |
| 4.3.2 词项显著度 | 第89-90页 |
| 4.3.3 主题排序 | 第90页 |
| 4.4 结果评价与实验 | 第90-94页 |
| 4.4.1 排序主题模型是否有效 | 第91-92页 |
| 4.4.2 自动文摘算法横向比较 | 第92-94页 |
| 4.5 本章小结 | 第94-95页 |
| 第5章 基于主题排序的论文推荐系统新奇性提升方法 | 第95-117页 |
| 5.1 引言 | 第95-99页 |
| 5.1.1 阅读行为简析 | 第95-96页 |
| 5.1.2 学术论文阅读为什么需要推荐系统? | 第96-99页 |
| 5.2 相关内容 | 第99-100页 |
| 5.2.1 推荐系统中新奇性 | 第99-100页 |
| 5.3 改进的论文-用户关系模型 | 第100-101页 |
| 5.4 基于主题排序的语义推荐模型 | 第101-104页 |
| 5.4.1 文章新奇性 | 第102-103页 |
| 5.4.2 文章相关性及主题排序 | 第103-104页 |
| 5.5 惊喜度评价指标 | 第104-109页 |
| 5.5.1 推荐相似性 | 第105-106页 |
| 5.5.2 再推荐重合度 | 第106-109页 |
| 5.6 实验与评价 | 第109-114页 |
| 5.6.1 数据集 | 第109页 |
| 5.6.2 实验设计 | 第109-110页 |
| 5.6.3 主题数目对新奇性的影响 | 第110-111页 |
| 5.6.4 排序策略对推荐结果的影响 | 第111-112页 |
| 5.6.5 不同主题模型对推荐的影响 | 第112-114页 |
| 5.7 一个例子 | 第114-116页 |
| 5.8 本章小结 | 第116-117页 |
| 第6章 主题分析的脑认知研究 | 第117-135页 |
| 6.1 引言 | 第117-119页 |
| 6.2 认知科学中语言的研究 | 第119-120页 |
| 6.3 实验目的 | 第120-122页 |
| 6.4 行为实验 | 第122-128页 |
| 6.4.1 行为实验设计 | 第123-124页 |
| 6.4.2 行为实验设置及数据分析 | 第124-127页 |
| 6.4.3 行为实验结果 | 第127-128页 |
| 6.5 脑认知实验 | 第128-131页 |
| 6.5.1 功能磁共振技术理论简介 | 第128-129页 |
| 6.5.2 脑认知实验设置 | 第129-131页 |
| 6.6 脑认知实验结果分析 | 第131-132页 |
| 6.7 讨论 | 第132-133页 |
| 6.7.1 被试接受刺激的方式 | 第132-133页 |
| 6.7.2 实验设计的改进 | 第133页 |
| 6.8 本章小结 | 第133-135页 |
| 第7章 总结与展望 | 第135-138页 |
| 7.1 总结 | 第135-136页 |
| 7.2 未来研究工作 | 第136-138页 |
| 7.2.1 排序主题模型验证 | 第136页 |
| 7.2.2 结合主动学习的生成性排序主题模型 | 第136页 |
| 7.2.3 排序学习与主题模型结合 | 第136-137页 |
| 7.2.4 主题分析的脑认知研究 | 第137-138页 |
| 参考文献 | 第138-155页 |
| 附录 | 第155-169页 |
| 附录1 关联主题模型 | 第155-157页 |
| 附录2 关联主题模型的推断方法 | 第157-165页 |
| 附录2.1 基础变分推断方法 | 第157-160页 |
| 附录2.2 非共轭变分推断方法 | 第160-165页 |
| 附录3 关联矩阵作为排序的依据 | 第165-167页 |
| 附录4 使用Python进行文本预处理流程 | 第167-169页 |
| 攻读博士学位期间取得的研究成果 | 第169-172页 |
| 致谢 | 第172-173页 |
| 作者简介 | 第173页 |
