文本大數據分析方法及應用--基於主題模型與機器學習理論

前言
第1章 主題模型簡介
1.1 基本概念與符號
1.2 基礎主題模型
1.2.1 LDA模型
1.2.2 DTM模型
1.3 參數推斷方法
1.3.1 變分貝葉斯
1.3.2 Gibbs抽樣
1.4 評價指標
1.4.1 評價模型的泛化能力
1.4.2 評價主題內部的一致性
1.4.3 評價不同主題間的相似性
1.5 實例應用
1.6 模型拓展
1.6.1 短文本建模
1.6.2 有監督模型
1.6.3 詞向量主題模型
參考文獻
附錄：Dirichlet-Multinomial共軛結構
第2章 多語料聯合主題模型
2.1 基本概念與符號
2.2 多語料聯合主題模型
2.2.1 模型生成過程
2.2.2 最大熵模型
2.3 參數推斷方法
2.3.1 模型推斷
2.3.2 超參確定
2.4 實例應用
2.4.1 保養品資料集
2.4.2 連鎖日本餐廳資料集
2.5 討論
參考文獻
第3章 動態稀疏主題模型
3.1 基本概念與符號
3.2 動態稀疏主題模型
3.2.1 模型介紹
3.2.2 模型生成過程
3.3 參數推斷方法
3.3.1 零階坍塌變分貝葉斯推論演算法
3.3.2 參數估計
3.3.3 推斷演算法
3.4 實例應用
3.4.1 JASA資料集
3.4.2 研究生論文語料庫
3.5 討論
參考文獻
第4章 動態稀疏聯合主題模型
4.1 基本概念與符號
4.2 動態稀疏聯合主題模型
4.3 參數推斷方法
4.3.1 變分貝葉斯EM演算法
4.3.2 變分卡爾曼濾波演算法
4.3.3 推斷演算法
4.4 實例應用
4.5 討論
參考文獻
第5章 混合貝葉斯變點檢測模型
5.1 基本概念與符號
5.2 混合貝葉斯變點檢測模型
5.3 參數推斷方法
5.4 實例應用
5.4.1 亞馬遜評論資料集
5.4.2 期刊資料集
5.4.3 聯合國數據集
5.5 討論
參考文獻
第6章 文本分層分類模型
6.1 基本概念與符號
6.2 文本分層分類模型
6.2.1 H.S.性質
6.2.2 分層結構中節點間的不相似度
6.2.3 基於角的分層分類器
6.3 模型求解演算法
6.3.1 標籤嵌入法
6.3.2 線性損失
6.4 實例應用
6.4.1 評價指標
6.4.2 實證分析
6.5 討論
參考文獻
第7章 異質圖新聞推薦模型
7.1 基本概念與符號
7.2 異質圖新聞推薦模型
7.2.1 準備知識
7.2.2 模型簡介
7.2.3 節點特徵準備
7.2.4 異質鄰居採樣
7.2.5 資訊聚合與預測
7.3 實例應用
7.3.1 資料集與比較模型
7.3.2 實驗結果
7.4 討論
參考文獻
第8章 基於多層級資訊的多模態屬性級情緒分​​析模型
8.1 基本概念與符號
8.2 基於多層級資訊的多模態屬性層級情緒分析模型
8.2.1 基礎模型
8.2.2 多模態聯合模型
8.3 實例應用
8.3.1 資料集介紹
8.3.2 評估指標
8.3.3 基線模型
8.3.4 實驗結果
8.4 討論
參考文獻