尹莉

[摘要]概念图是一种知识以及知识之间关系的网络图形化表征。本研究中将图结构的非参数先验与潜在狄里克来分布结合在一起，构建了一个新的概率模型GLDA，用来学习文档中的概念图。并将此模型应用于维基百科中关于机器学习的文献集合加以验证，同时与高阶弹球分布模型（hPAM）与高阶潜在狄里克来分布模型（hLDA）进行了比较，对模型的优缺点进行了分析。

[关键词]概念图；潜在狄里克来分布；弹球分布模型；机器学习

DOI：10.3969/i.issn.1008-0821.2015.01.017

[中图分类号]G254.0 [文献标识码]B [文章编号]1008-0821（2015）01-0091-05

概念图（conceptmap）是一种知识以及知识之间关系的网络图形化表征，它是一种用节点代表概念、连线表示概念间关系的图示法。康奈尔大学的约瑟夫·D·诺瓦克（Joserph D.Novak）教授于20世纪70发展出概念图绘制技巧。一幅概念图通常由“节点”、“链接”和“有关文字标注”组成。概念图对于知识表征、协同与组织沟通、教育、教学设计、训练等领域都有重要的应用。概念图对于总结文献集合很有用，并且可以提供一种语义内容和大文献集合结构的可视化。概念图的一个典型例子就是维基百科中的分类图，如图1就是维基百科中关于机器学习的分类图的一部分子图，从这个图中我们能够很快推断出维基百科中机器学习方面的文章主要强调的是算法和马尔科夫模型的演化。

本研究中，将展示一个新的生成概率模型GLDA（Graph Latent Dirichlet Allocationh），来学习文本中的概念图，并对模型进行检验，应用于维基百科的文献集合进行试验，最后对模型进行了评价。……