基于可扩展LDA模型的微博话题特征抽取研究

被引：14

作者：

邱明涛

马静

张磊

姚兆旭

机构：

[1] 南京航空航天大学经济与管理学院

来源：

情报科学 | 2017年 / 35卷 / 04期

关键词：

LDA模型; 微博话题; 话题特征; 特征抽取;

D O I：

10.13833/j.cnki.is.2017.04.004

中图分类号：

G206 [传播理论]; G353.1 [情报资料的分析和研究];

学科分类号：

050302 ; 1205 ;

摘要：

【目的/意义】提出一种基于可扩展LDA模型的微博话题特征抽取方法。【方法/过程】利用词语权重调整方法筛选高贡献度高频词语;基于bootstrap思想,迭代产生特征词条候选集;引入信息熵值理论筛选话题词条;并利用四维泛化分类实现对特征词条的泛化和归类。【结果/结论】本文以真实新浪微博数据为实验对象,实验结果表明基于扩展LDA模型的特征词提取方法可弥补传统LDA模型在话题可解释性上的不足,有效地对微博文本进行话题特征抽取。

引用

页码：22 / 26+31 +31

页数：6

共 10 条

[1] 话题检测与跟踪的评测及研究综述 [J].

洪宇 ;

张宇 ;

刘挺 ;

李生 .

中文信息学报, 2007, (06) :71-87

[2] 基于特定领域的中文微博热点话题挖掘系统BTopicMiner [J].

李劲 ;

张华 ;

吴浩雄 ;

向军 .

计算机应用, 2012, 32 (08) :2346-2349

[3] 基于MB-LDA模型的微博主题挖掘 [J].

张晨逸 ;

孙建伶 ;

丁轶群 .

计算机研究与发展, 2011, 48 (10) :1795-1802

[4]

Relational topic models for document networks. Chang, Jonathan,Blei, David M. Journal of Machine Learning Research;Proceedings of the 12th International Conference on Artificial Intelligence and Statistics, AISTATS 2009 . 2009

[5]

The author-topicmodel for authors and documents. M. Rosen-Zvi,T. Griffiths,M. Steyvers,P. Smyth. UAI . 2004

[6]

Characterizing Microblogs with Topic Models. RAMAGE D,DuMars S,LIEBLING D. ICWSM . 2010

[7]

Modeling online reviews with multi-grain topic models. I. Titov,R. McDonald. Proceeding of the 17th International Conference on World Wide Web . 2008

[8]

Reader’’s Emotion Prediction Based on Weighted Latent Dirichlet Allocation and Multi-label k-nearest Neighbor Model. Ruifeng XU,Lu YE. Journal of Computational Information System . 2013

[9] 支持向量机(SVM)主动学习方法研究与应用 [J].

张健沛 ;

徐华 .

计算机应用, 2004, (01) :1-3

[10] 命名实体的网络话题K-means动态检测方法 [J].

刘素芹 ;

柴松 .

智能系统学报, 2010, 5 (02) :122-126

← 1 →