基于動態(tài)Labeled-LDA模型的微博主題挖掘.pdf

1、隨著微博用戶的不斷增加，微博的影響力也在不斷地擴張。微博類動態(tài)短文本由于其特有的文本特征，微博主題受時間因素的影響很大。Labeled-LDA模型是傳統(tǒng)的LDA模型的一種變形，它是在LDA原有的基礎(chǔ)上附加了一層類別標簽。使傳統(tǒng)的LDA多了一個直接的分配模型類別的優(yōu)勢，同時很好的優(yōu)化了傳統(tǒng)LDA模型在處理文本分類時會出現(xiàn)的在不屬于自己的類別上進行生成時可能會導致隱主題的強制分配的問題。
　　本文的研究目的:由于微博類短文本式網(wǎng)絡信息

2、的及時性、動態(tài)性和主題復雜性及多樣性，首先對已選取好的微博文本在做了預處理后，進行文本特征選擇。動態(tài)化改進后的VSM特征選擇方法明顯優(yōu)于傳統(tǒng)的TF-IDF算法。其次，本文構(gòu)建了動態(tài)的Labeled-LDA模型，將標簽與動態(tài)相結(jié)合。方法包括三部分:第一，用Labeled-LDA主題模型進行建模和特征選擇，確定主題數(shù)和隱主題-文本矩陣;第二，對微博文本劃分時間文本集;第三，對Labeled-LDA模型進行動態(tài)化的改進，最終給出了針對微博文體