张东鑫 张敏

（1.西南大学计算机与信息科学学院，重庆，400715；2.华中师范大学信息管理学院，武汉，430079）

1 引言

潜在狄利克雷分布（Latent Dirichlet Allocation，LDA）是一种对文本主题进行建模挖掘的三层贝叶斯产生式概率模型[1]，该模型通过无监督学习，生成“文档-主题”和“主题-词”概率分布，被用于识别大规模文档集中潜藏的主题信息。LDA具有良好的数据降维能力和模型扩展性，被广泛应用于各种文本分析任务。

目前，计算机学科的相关研究主要围绕LDA扩展模型的分类、算法改进[2,3]，尤其是深度学习主题模型[4]展开了较多探讨，相关研究强调主题模型对于文本挖掘及自然语言处理的重要作用，聚焦于LDA主题模型原理、参数估计及训练方法的总结归纳，注重不同主题建模技术之间性能的对比[5]，少数研究归纳了主题模型在语言、政治、生物医学、地理等学科领域应用，指出LDA主题模型在多媒体信息加工处理等文本挖掘任务中存在的挑战及问题[2]。图情领域的学者则较多针对特定的文本挖掘任务[6]展开分析研究,已有部分综述针对某一应用场景[7]或某一类扩展模型[8]进行了归纳总结。总体而言，现有研究针对LDA模型完整应用过程的梳理还较为缺乏。本研究聚焦图情领域LDA模型整体应用研究现状，细致剖析其应用过程关键环节和应用领域，以期为相关领域的理论研究和实践应用提供参考。本研究梳理了LDA模型应用的现存问题和创新发展，有助于更好应对多维度场景的复杂文本处理任务，增强LDA模型的泛化能力以及建模结果的准确性和可解释性，实现更精准的主题挖掘和识别。……