文献类型：期刊文章

作　　者：黄佳佳[1] 李鹏伟[1] 彭敏[2] 谢倩倩[2] 徐超[1]

HUANG Jia-Jia;LI Peng-Wei;PENG Min;XIE Qian-Qian;XU Chao(School of Information Engineering,Nanjing Audit University,Nanjing 211815;School of Computer Science,Wuhan University,Wuhan 430072)

机构地区：[1]南京审计大学信息工程学院,南京211815 [2]武汉大学计算机学院,武汉430072

出　　处：《计算机学报》

基　　金：国家自然科学基金(61802194,61902190);江苏省高等学校自然科学研究项目(17KJB520015)资助。

年　　份：2020

卷　　号：43

期　　号：5

起止页码：827-855

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、EI、IC、JST、MR、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：主题模型作为一个发展二十余年的研究问题,一直是篇章级别文本语义理解的重要工具.主题模型善于从一组文档中抽取出若干组关键词来表达该文档集的核心思想,因而也为文本分类、信息检索、自动摘要、文本生成、情感分析等其他文本分析任务提供重要支撑.虽然基于三层贝叶斯网络的传统概率主题模型在过去十余年已被充分研究,但随着深度学习技术在自然语言处理领域的广泛应用,结合深度学习思想与方法的主题模型焕发出新的生机.研究如何整合深度学习的先进技术,构建更加准确高效的文本生成模型成为基于深度学习主题建模的主要任务.本文首先概述并对比了传统主题模型中四个经典的概率主题模型与两个稀疏约束的主题模型.接着对近几年基于深度学习的主题模型研究进展进行综述,分析其与传统模型的联系、区别与优势,并对其中的主要研究方向和进展进行归纳、分析与比较.此外,本文还介绍了主题模型常用公开数据集及评测指标.最后,总结了主题模型现有技术的特点,并分析与展望了基于深度学习的主题模型的未来发展趋势.

关 键 词：主题模型 深度学习  潜在主题 词向量  神经网络

分 类 号：TP391]