| 提要 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第13-23页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 研究现状 | 第14-20页 |
| 1.2.1 主题模型研究现状 | 第14-18页 |
| 1.2.2 多标签分类研究现状 | 第18-19页 |
| 1.2.3 主题模型在线学习算法研究现状 | 第19-20页 |
| 1.3 本文研究重点和工作内容 | 第20-23页 |
| 第2章 主题模型相关背景知识 | 第23-43页 |
| 2.1 基本主题模型 | 第23-27页 |
| 2.1.1 LSI 模型 | 第23-24页 |
| 2.1.2 PLSI 模型 | 第24-25页 |
| 2.1.3 LDA 模型 | 第25-27页 |
| 2.2 主题模型学习算法 | 第27-32页 |
| 2.2.1 VI 算法 | 第27-30页 |
| 2.2.2 Gibbs 采样 | 第30-32页 |
| 2.3 多标签分类的有监督主题模型 | 第32-37页 |
| 2.3.1 L-LDA 模型 | 第32-33页 |
| 2.3.2 Prior-LDA 和 Dependency-LDA 模型 | 第33-37页 |
| 2.4 主题模型在线学习算法 | 第37-41页 |
| 2.4.1 SVI 算法 | 第37-38页 |
| 2.4.2 HVG 算法 | 第38-41页 |
| 2.5 本章小结 | 第41-43页 |
| 第3章 多标签分类的有监督主题模型 | 第43-77页 |
| 3.1 本章概述 | 第43-44页 |
| 3.2 有监督标注 LDA 模型（SL-LDA） | 第44-53页 |
| 3.2.1 SL-LDA 模型 | 第44-46页 |
| 3.2.2 模型估计和推理 | 第46-47页 |
| 3.2.3 单标签分类实验 | 第47-51页 |
| 3.2.4 多标签分类实验 | 第51-53页 |
| 3.3 基于标签集的主题模型（LSTM） | 第53-60页 |
| 3.3.1 LSTM 算法 | 第53-56页 |
| 3.3.2 实验 | 第56-60页 |
| 3.4 FLDA 和 DFLDA 模型 | 第60-69页 |
| 3.4.1 FLDA 模型 | 第60-62页 |
| 3.4.2 DFLDA 模型 | 第62-63页 |
| 3.4.3 模型估计和推理 | 第63-65页 |
| 3.4.4 实验 | 第65-69页 |
| 3.5 考虑词项标签频率的主题模型（CPTM） | 第69-75页 |
| 3.5.1 CPTM 算法 | 第69-70页 |
| 3.5.2 算法训练 | 第70-71页 |
| 3.5.3 实验 | 第71-75页 |
| 3.6 本章小结 | 第75-77页 |
| 第4章 流文本数据建模的主题模型在线学习算法 | 第77-101页 |
| 4.1 本章概述 | 第77页 |
| 4.2 移动平均随机变分推理（MASVI） | 第77-83页 |
| 4.2.1 MASVI 算法 | 第77-80页 |
| 4.2.2 实验 | 第80-83页 |
| 4.3 自适应地调整 SVI 算法的学习速率 | 第83-89页 |
| 4.3.1 提出的算法 | 第83-85页 |
| 4.3.2 实验 | 第85-89页 |
| 4.4 稀疏 HVG 算法（SHVG） | 第89-91页 |
| 4.4.1 SHVG 算法 | 第89-91页 |
| 4.4.2 实验 | 第91页 |
| 4.5 在线期望传播算法（OEP） | 第91-100页 |
| 4.5.1 EP 算法 | 第92-94页 |
| 4.5.2 OEP 算法 | 第94-96页 |
| 4.5.3 实验 | 第96-100页 |
| 4.6 本章小结 | 第100-101页 |
| 第5章 结论与展望 | 第101-103页 |
| 5.1 本文总结 | 第101-102页 |
| 5.2 工作展望 | 第102-103页 |
| 参考文献 | 第103-113页 |
| 作者简介及在学期间所取得的科研成果 | 第113-116页 |
| 致谢 | 第116页 |