基于信息融合的文本主题分析算法研究

发布时间：2023-04-28 21:42

　　随着信息技术的发展和大数据的兴起,互联网成为了人们发布和获取信息的重要来源。其中,用户产生的大部分信息以文本的形式积累在网络中。如何从这些大规模非结构化文本中,挖掘出潜在的主题知识,是自然语言处理研究的重要问题之一,在舆情监测、评论分析和内容推荐等领域都有广泛的应用。目前,已经有许多国内外学者针对文本主题挖掘问题提出了一系列算法,但仍然存在以下不足:第一,现有方法没有有效利用文档附带的元数据中的辅助信息,比如评论中的评分和情感极性,论文中的作者和引用文献等。这些元数据中蕴含有丰富的结构信息,且不同类型的元数据对文档内容的影响是有差异的。当前方法要么忽略了这些元数据,要么只利用了特定的一类元数据,或者对不同的元数据进行了同样的处理,导致无法充分利用元数据中的辅助信息。并且,现有方法无法处理元数据中包含的噪声。第二,现有方法没有考虑单词的情感信息与单词主题之间存在的关联,而二者其实是紧密相关的。针对以上问题,本文提出了两个改进后的主题分析算法,分别将元数据和情感信息融合到主题挖掘中。本文的主要贡献如下:(1)针对包含作者和引用元数据的学术论文网络,提出了一种同时融合作者和引用元数据信息的概...

【文章页数】：75 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 概率主题模型
        1.2.2 文本情感分析
    1.3 研究内容
    1.4 主要贡献与创新
    1.5 论文的结构安排
第二章 相关概念与技术
    2.0 概率图模型
        2.0.1 基本概念
        2.0.2 Gibbs采样
    2.1 概率主题模型
        2.1.1 LDA模型
        2.1.2 DMR模型
        2.1.3 CIM模型
    2.2 注意力机制
    2.3 循环神经网络
    2.4 基于主题的情感分析
        2.4.1 基于单层注意力的主题情感分析算法
        2.4.2 基于多层注意力的主题情感分析算法
    2.5 本章小结
第三章 融合作者和引用信息的概率主题模型
    3.1 模型动机
    3.2 ACTM模型结构描述
        3.2.1 作者信息的融合
        3.2.2 引用信息的融合
    3.3 参数推断
    3.4 实验与分析
        3.4.1 数据集
        3.4.2 对比算法
        3.4.3 主题语义一致性评估实验
        3.4.4 文本分类实验
        3.4.5 参数敏感性实验
        3.4.6 定性分析
    3.5 本章小结
第四章 融合情感的深度主题分析算法
    4.1 模型总体框架
    4.2 SSFTM模型
        4.2.1 输入表征模块
        4.2.2 局部主题感知模块
        4.2.3 主题情感表征模块
        4.2.4 MLP分类模块
    4.3 模型训练
    4.4 实验结果与分析
        4.4.1 数据集和评价指标
        4.4.2 对比算法
        4.4.3 实验设置
        4.4.4 实验结果与分析
        4.4.5 模型有效性实验
        4.4.6 案例分析
    4.5 本章小结
第五章 总结与展望
    5.1 全文总结
    5.2 未来工作展望
致谢
参考文献



本文编号：3804535