万红新

摘  要：基于中文文本的复杂语境结构，同时考虑话题的动态变化性，利用语义线索和时空主题模型来提取话题的关键词语链。结合语义知识和时间约束的主题模型可以有效对社交媒体文本大数据进行分析和处理，以获取潜在的话题知识。

关键词：语义线索;主题模型;社交媒体;动态话题

中图分类号：TP391.1      文献标识码：A 文章编号：2096-4706（2019）05-0027-03

Abstract：Based on the complex contextual structure of Chinese text，and considering the dynamic change of topic，we use semantic clues and spatiotemporal topic model to extract keyword chains of topic. Theme model combined with semantic knowledge and time constraints can effectively analyze and process big data of social media texts to acquire potential topic knowledge.

Keywords：semantic cues;topic model;social media;dynamic topics

0  引  言

随着网络社交媒体的迅速发展，在网络上产生了大量的评论数据，如何有效发现其中蕴含的话题信息，是实现舆情分析的重要挑战。人工方式及一些常规方法已不能满足对大数据社交媒体文本进行分析和处理的要求，对话题热点的挖掘需要利用具有大规模数据处理能力的自动化技术来实现。有效地从不断涌现的海量非结构化文本数据中发现热点话题，可以追踪和预测热点话题的变化。本文将基于社交媒体文本大数据，利用语义线索化时空主题模型来提取话题的关键词语链，进而捕获话题的动态变化过程和演化趋势。

1  主要问题

要实现大数据背景下社交媒体的话题词链挖掘，重点在于构建符合话题词动态分布特征的主题模型，实现话题词的提取及主题词链的聚类。主要解决的关键问题包括：

（1）社交媒體文本语义关系的获取。如何提取词语间的语义关系，以语义线索形式嵌入到LDA，提高LDA模型提取话题词语的准确率和召回率。

（2）时间约束LDA分布机制设计。标准LDA是空间内容模型，没有引入时间变化对分布的影响，生成的主题信息不能反映话题的动态变化特点。……