利用LDA的领域新兴主题探测技术综述

被引：24

作者：

范云满 ^{[1
,2
]}

马建霞 ^{[1
]}

机构：

[1] 中国科学院国家科学图书馆兰州分馆

[2] 中国科学院大学

来源：

现代图书情报技术 | 2012年 / 12期

关键词：

主题模型; LDA; 引文分析; 主题模型可视化;

D O I：

暂无

中图分类号：

TP391.1 [文字信息处理];

学科分类号：

081203 ; 0835 ;

摘要：

以LDA为基础,系统梳理新兴主题探测以及主题趋势探测技术中的LDA以及其他LDA改进主题模型的发展现状。介绍LDA的变分推导和Gibbs抽样两种参数推导算法;总结近年来LDA模型的改进,包括对主题演化建模的主题模型、对文档内容和元数据联合建模的模型、采用在线式学习的主题模型及将LDA和引文分析相结合的主题演化方法等,并对不同的改进模型进行深入对比和分析;梳理NIH-VB、TIARA、VxInsight等几种主要的主题模型可视化技术。最后通过对LDA模型的总结分析,探讨利用LDA模型探测领域新兴主题时的关键研究问题。

引用

页码：58 / 65

页数：8

共 8 条

[1] 基于话题模型的科技文献话题发现和趋势分析 [J].

贺亮 ;

李芳 .

中文信息学报, 2012, 26 (02) :109-115

[2] 一种基于密度的自适应最优LDA模型选择方法 [J].

曹娟 ;

张勇东 ;

李锦涛 ;

唐胜 .

计算机学报, 2008, (10) :1780-1787

[3]

基于概率主题模型的文献知识挖掘[J]. 王萍.情报学报. 2011 (06)

[4] Probabilistic Topic Models [J].

Blei, David M. .

COMMUNICATIONS OF THE ACM, 2012, 55 (04) :77-84

[5] A CORRELATED TOPIC MODEL OF SCIENCE [J].

Blei, David M. ;

Lafferty, John D. .

ANNALS OF APPLIED STATISTICS, 2007, 1 (01) :17-35

[6]

Scholarly publishing in the Internet age: a citation analysis of computer science literature[J] . Abby A Goodrum,Katherine W McCain,Steve Lawrence,C Lee Giles.Information Processing and Management . 2001 (5)

[7] Text Classification from Labeled and Unlabeled Documents using EM [J].

Kamal Nigam ;

Andrew Kachites Mccallum ;

Sebastian Thrun ;

Tom Mitchell .

Machine Learning, 2000, 39 :103-134

[8] An introduction to variational methods for graphical models [J].

Jordan, MI ;

Ghahramani, Z ;

Jaakkola, TS ;

Saul, LK .

MACHINE LEARNING, 1999, 37 (02) :183-233

← 1 →