基于深度学习的混合主题模型应用

作     者：万家山 Wan Jiashan

作者机构：安徽信息工程学院大数据与人工智能学院安薇芜湖241000 

出 版 物：《湖南科技大学学报（自然科学版）》 (Journal of Hunan University of Science And Technology：Natural Science Edition)

年 卷 期：2020年第35卷第3期

页      面：102-109页

学科分类：08[工学] 0835[工学-软件工程] 081202[工学-计算机软件与理论] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家重点研发计划课题资助(2017YFD0301303) 安徽省教育厅自然科学重大项目资助(KJ2017ZD53) 安徽省教育厅自然科学重点项目资助(KJ2017A799) 

主　　题：主题模型 LDA 角色识别 深度学习 社区推荐 HTM 

摘      要：在线社交网络的快速发展得益于主题模型的广泛应用.然而,目前几种典型的主题模型存在需要手动调参、语义连贯性不足、特征提取不充分和样本效率低等问题.对此,构建主题模型时利用深度学习技术来进行主题划分,以BiLSTMCNN模型框架为基础,并在主题特征提取进行主题划分阶段引入作者-主题模型进一步优化框架,从而提出了一种混合主题模型Hybrid-Topic Model(简称HTM).将LDA,CNN,BiLSTM-CNN和HTM这4种主题模型应用于2组不同场景的数据集,并对结果进行对比分析.分析表明,在主题分类效果和内容困惑度方面,HTM主题模型的效果明显优于现有模型.此外,该模型在样本使用效率和模型迁移学习能力方面也有出色的表现,为后期研究指明了方向.