基于最小领域知识的主题建模 ，一种基于融合知识的主题模型的微博话题发现方法，涉及自然语言处理领域 传统的主题挖掘技术基于概率统计的混合模型，对文本信息进行建模，使得模型能够自动挖掘出文本中潜在的语义信息，使用户能够快速的了解文本中所涉及的内容。通过主题模型，不仅能够获得文本集合中主要涉及的信息，而且能够获得每篇文档中的内容信息。常见的主题模型有概率潜在语义分析(ProbabilisticLatentSemanticAnalysis,PLSA)模型[1]和潜在狄利克雷分配(LatentDiric

摘 要：【目的/意义】微博转发行为反映了微博用户对所感兴趣微博的一种行为表现，对微博转发行为的研究有助 于微博的深度挖掘工作。【方法/过程】本文从内容分析的角度，对微博转发行为进行了预测。量化分析了微博内容 中一组低水平特征和高水平特征，采用逻辑回归模型对微博转发概率进行预测，并在微博数据集中进行了训练和 验证。【结果/结论】基于模型中的参数学习，证实这些内容特征对于微博转发有着密切的联系，据此进一步推断微 博用户主要的兴趣点。 关键字：微博；转发；内容分析；情感理论研究 情报科学 第36卷第4

针对传统话题检测方法在微博短文本上存在高维稀疏的缺陷，提出了一种基于特征融合的K-means微博话题发现模型。为了更好地表达微博话题的语义信息，使用在句子中共现的词对向量模型（Biterm_VSM）代替传统的向量空间模型（Vector Space Model，VSM），并结合主题模型（Latent Dirichlet Allocation，LDA）挖掘出微博短文本中的潜在语义，把两个模型得到的特征进行特征融合，并应用K-means聚类算法进行话题的发现。实验结果表明，与传统的话题检测方法相比，该

一种基于LDA主题模型的话题发现方法