主题概率模型在微博主题挖掘方面的研究综述

被引：3

作者：

陈静

刘琰

王煦中

机构：

[1] 信息工程大学

来源：

信息工程大学学报 | 2017年 / 18卷 / 01期

关键词：

微博; 主题概率模型; 主题; 主题提取; 社团发现;

D O I：

暂无

中图分类号：

TP391.1 [文字信息处理]; TP393.092 [];

学科分类号：

摘要：

近年来,微博凭借着自身的特点发展成为社会公共舆论的重要平台,对国家安全和社会发展产生了深远的影响,由此对微博文本主题提取显得格外重要。目前,文本主题挖掘的主流技术是主题概率模型。为此,首先对主题概率模型中LDA模型进行了详细地介绍;其次分析了微博的数据特点,从存在噪音词汇、微博文本短小以及微博的时序性等3个方面综述了主题概率模型在微博主题挖掘方面的研究;近一步又综述了利用主题模型发现基于主题的社团关系的研究;最后总结了未来主题模型在挖掘微博主题方面存在的挑战。

引用

页码：103 / 110

页数：8

共 10 条

[1] 构建微博用户兴趣模型的主题模型的分析
陈文涛
张小明
李舟军
[J]. 计算机科学, 2013, 40 (04) : 127 - 130+135
[2] 基于MB-LDA模型的微博主题挖掘
张晨逸
孙建伶
丁轶群
[J]. 计算机研究与发展, 2011, 48 (10) : 1795 - 1802
[3] 自然语言处理中主题模型的发展
徐戈
王厚峰
[J]. 计算机学报, 2011, 34 (08) : 1423 - 1436
[4] 一种基于LDA的在线主题演化挖掘模型
崔凯
周斌
贾焰
梁政
[J]. 计算机科学, 2010, 37 (11) : 156 - 159+193
[5] Hierarchical Dirichlet processes
Teh, Yee Whye
Jordan, Michael I.
Beal, Matthew J.
Blei, David M.
[J]. JOURNAL OF THE AMERICAN STATISTICAL ASSOCIATION, 2006, 101 (476) : 1566 - 1581
[6] Detecting community structure in networks
Newman, MEJ
[J]. EUROPEAN PHYSICAL JOURNAL B, 2004, 38 (02) : 321 - 330
[7] Bursty and hierarchical structure in streams
Kleinberg, J
[J]. DATA MINING AND KNOWLEDGE DISCOVERY, 2003, 7 (04) : 373 - 397
[8] Unsupervised Learning by Probabilistic Latent Semantic Analysis
Thomas Hofmann
[J]. Machine Learning, 2001, 42 : 177 - 196
[9] Labeled LDA:A supervised topic model for credit attribution in multi-labeled corpora .2 Ramage D,Hall D,Nallapati R,et al. Proceedings of the 2009 Conference on Empirical Methods in Natural Language Processing . 2009
[10] Expectation-propagation for the generative aspect model .2 Minka,J. Lafferty. Proceedings of the Eighteenth Conference on Uncertainty in Artificial Intelligence . 2002

← 1 →