LDA模型

摘要： 利用携程网西安和成都的5万条旅游评论数据,构建旅游满意度指标体系,以评估不同城市旅游消费者的满意度。采用基于词云图、社会网络语义图以及LDA模型的特征分析来提取评价指标,构建适用于旅游评论的情感词典,并据此为评论情感赋值,结合层次分析法确定指标权重,分别计算满意度。结果显示:成都市的综合满意度高于西安市;游客对于成都旅游服务中的导游情况和行程安排的满意度高于西安;而西安携程旅游服务中地区游览特色更好,景点体验更佳。

摘要： 在互联网和电子商务快速发展的背景下,将5G手机和在线购物方式结合起来,以某品牌5G手机为研究品牌,通过抓取某电商平台消费者在线评论的数据文本,并对数据文本进行预处理和情感倾向分析,最后利用LDA主题模型进行分析获取结果,得出以在线购物为渠道的某品牌5G手机在产品或服务上的优势和不足,并提出相应的意见,以促进某品牌在手机市场上的发展。

摘要： 各地科技成果转化政策组态效应迥异。本文以31个省(区、市)科技成果转化政策文本数据为样本,采用LDA分析方法获取样本中的政策因素,再对这些因素做fsQCA分析。结果表明:不存在能够对科技成果转化结果产生绝对影响的单一政策工具;科研评价改革、创新创业激励、科技金融政策、政府采购政策这4类政策工具组合效果显著。在此基础上构建路径模型,进一步分析政策工具的有效组合模式、特点、作用和应用场景,为各地科学合理地使用这些政策组合工具有重要参考价值。

摘要： 为帮助企业获得更多的信息,进一步了解客户,预测和增强客户体验,合理改进产品性能,通过情感词典来对汽车行业的网络舆情进行分析与预测.首先对预处理后的文本进行分词,提取关键词,绘制词云图,初步判定舆情中人们关注的热点.然后利用训练集数据对情感词典进行训练,提取文本特征,并采用基于情感词典的传统情感分类法进行文本情感识别分类.分类结果显示,训练集的预测准确率为85.73%,测试集的准确率为83.62%.最后利用LDA模型对文本进行主题分析,得到正面、负面文本数据的第一主题与第二主题.

摘要： 针对社交媒体情感分析忽略情感特征的长距离语义关系,无法精确捕获带有情感色彩的特征词,过度依赖人工标注等问题,本文提出一种改进LDA-CNN-BiLSTM模型,旨在实现对微博舆情事件的情感分析研究。首先,通过对微博舆情事件评论文本进行数据采集和数据预处理,获取“喜悦”“愤怒”和“哀伤”三种类别情感文本。其次,构建融合LDA模型、情感词典和人工标注的算法并用于情感特征词提取,使用Word2Vec将经过特征提取后的情感文本转换为词向量。最后,构建CNN-BiLSTM模型,利用卷积神经网络提取文本的关键特征,长短时记忆网络捕获长距离语义特征,从而完成情感分类任务。实验结果表明,本文方法的精确率、召回率、F1值和准确率分别为0.8946、0.8841、0.8893和0.8778,整体实验结果均优于现有的机器学习和深度学习模型,并且融合LDA模型和情感词典的实验结果均有明显提升,其F1值比实验中的六种机器学习模型平均提升3.66%,比七种深度学习模型平均提升1.84%。综上,本文方法能够应用于社交媒体的情感分析任务,并有效感知舆情事件的情感态势,具有一定的研究价值。

摘要： [目的/意义]为了更加精准地探究学科交叉规律,本研究构建一个基于领域主题的学科交叉特征识别框架以识别学科交叉主题、交叉态势以及交叉结构。[方法/过程]对WOS数据库中医学信息学领域2000—2020年发表的45 546篇文献进行实证研究,首先基于LDA主题模型划分领域主题,然后引入Div指标分析比较学科交叉态势,最后构建学科共现网络并结合中介中心性分析学科边缘—核心子群结构。[结果/结论]本研究共划分9个子主题,分别为心脏信号传感系统、电子健康技术、电子病历系统、健康app和使用行为、医疗护理电子系统、随机治疗实验、图像分割和聚类、基于机器学习的特征识别以及癌症治疗风险评估,其中前5个主题的学科交叉程度在近5年呈现波动上升的趋势;学科结构方面,交叉程度较深的主题大多以工程学和计算机科学为核心学科。本研究有助于科研管理部门以及科研人员制定相关政策、优化资源配置、识别学科前沿等。[局限]由于早期期刊文献引文信息不全面,一定程度上会影响学科交叉程度计算的精确度。

摘要： 传统线上文本挖掘方法在克服相似性干扰时,需要加入大量约束条件,降低了挖掘准确率。为此,本文提出基于LDA模型和语义网络的线上文本挖掘方法。采用滤波处理法对线上文本信息进行滤波处理,获得线上文本的抗干扰向量,提取线上文本信息的频谱特征。利用语义网络构建线上文本的语义网络挖掘模型,计算线上文本挖掘信息的相似度。基于LDA模型对获取的线上文本阈值进行分类,得到线上文本挖掘权值,将挖掘到的关系词带入到概念属性内,实现线上文本的挖掘。实验结果表明,基于LDA模型和语义网络的线上文本挖掘方法不仅可以提高挖掘精度,还具有更强的收敛性。

摘要： 随着互联网技术的不断创新,各大电影平台如豆瓣电影蕴含海量在线评论文本信息,挖掘并分析评论的观点以及隐藏的情感具有重要商业价值。以影院在线评论为研究对象,通过爬虫(Python)获取《我和我的祖国》评论数据,运用语义网络图、LDA模型等方法分析其中蕴含的情感信息。结果表明:大多数观众对电影持力荐态度,整体评论积极且正面;观众对于影片中《白昼流星》《前夜》《夺冠》《回归》这四个单元短片有着更多的关注,导演、短片单元部分与主体联系较为密切;LDA模型分析结果表明,观众对部分单元评价存在争议。因此,制片方要重视影评数据情感倾向与电影传播之间的关系。最后,根据研究结果提出相应的建议。

摘要： 数字政府建设离不开科学合理的政策指引,而现有研究集中在数字政府建设触发的变革成效与数字政府建设的实践探索领域。通过对数字政府建设的政策文本分析,能够明晰数字政府建设过程存在的难题,对构建数字政府建设的政策逻辑有重要意义。本文收集13个地方政府的数字政府建设政策文本,采取政策工具与LDA主题模型方法对省级数字政府建设政策文本进行了分析。研究发现:数字政府建设政策在政策工具分布上呈现较为均衡的整体态势;但在具体设计时,需求侧(价格补贴、对外承包、政府采购)及环境侧(金融支持)的部分工具措施较为匮乏,尤其在政企合作层面体现不明显。通过LDA主题模型挖掘,提出了不同政策工具类型下的数字政府建设差异与针对性对策建议。

摘要： 随着2020年疫情爆发对经济的影响,常规的商业营销模式受到了冲击。以网红营销为代表的电子商务迅速崛起。电商平台作为网红营销的主要渠道,成为了消费者挑选、评价电商产品的媒介。因此,在电商平台的消费者评论具有文本挖掘的价值和潜力。本文使用网络爬虫技术,爬取到49,700条天猫商城评论数据其中有效数据为40,138条,采用TF-IDF算法提取评论中的关键词,通过Basic LDA模型对商品评论进行属性抽取,并运用变分贝叶斯推断对模型进行求解,最后通过朴素贝叶斯对评论进行情感极性分析,最终得到结论:消费者对电商产品的评论从功能性、消费理性两个角度出发,主题1、3、4表现出消费者重视电商产品使用的直观感受的倾向,主题2表现出消费者重视电商产品实际解决需求的功能性的倾向,消费者对电商产品的情感得分里积极、中性、消极分别为36%、63%、1%,总体上对电商产品持认可态度。

摘要： 粮食储藏关乎民生和国家安全,粮食在储藏过程中,由于各种因素的影响会发生数量减少和品质的下降,无论是人为可避免还是人为不可避免的因素,或多或少的都会造成储粮损失,有效和及时减少我国粮食产后损失浪费的迫切性显而易见,这将在保障国家粮食安全、稳定粮食价格等方面发挥着重要作用.本文主要是采用大数据分析研究的方法来实现对粮食损失文本的情感计算。通过数据获取模型抓取粮食相关网站上的粮食损失文本数据，并将爬去的文本数据保存为CSV格式，存储并建立分析数据库，并在此基础上通过对文本的一系列处理分析、相关统计的分析，以及建立LDA主题模型进行分类、后期数据处理之后的可视化等进行加工提炼出有效主题和关键词，从而达到理论上的语义建构与对策研究的有机结合，并结合前述提取的粮食损失因素，能够结合实际来分析粮食损失问题，结合情感分析，最后提出更具操作性的粮食减损建议。

摘要： 粮食储藏关乎民生和国家安全,粮食在储藏过程中,由于各种因素的影响会发生数量减少和品质的下降,无论是人为可避免还是人为不可避免的因素,或多或少的都会造成储粮损失,有效和及时减少我国粮食产后损失浪费的迫切性显而易见,这将在保障国家粮食安全、稳定粮食价格等方面发挥着重要作用.本文主要是采用大数据分析研究的方法来实现对粮食损失文本的情感计算。通过数据获取模型抓取粮食相关网站上的粮食损失文本数据，并将爬去的文本数据保存为CSV格式，存储并建立分析数据库，并在此基础上通过对文本的一系列处理分析、相关统计的分析，以及建立LDA主题模型进行分类、后期数据处理之后的可视化等进行加工提炼出有效主题和关键词，从而达到理论上的语义建构与对策研究的有机结合，并结合前述提取的粮食损失因素，能够结合实际来分析粮食损失问题，结合情感分析，最后提出更具操作性的粮食减损建议。

摘要： 粮食储藏关乎民生和国家安全,粮食在储藏过程中,由于各种因素的影响会发生数量减少和品质的下降,无论是人为可避免还是人为不可避免的因素,或多或少的都会造成储粮损失,有效和及时减少我国粮食产后损失浪费的迫切性显而易见,这将在保障国家粮食安全、稳定粮食价格等方面发挥着重要作用.本文主要是采用大数据分析研究的方法来实现对粮食损失文本的情感计算。通过数据获取模型抓取粮食相关网站上的粮食损失文本数据，并将爬去的文本数据保存为CSV格式，存储并建立分析数据库，并在此基础上通过对文本的一系列处理分析、相关统计的分析，以及建立LDA主题模型进行分类、后期数据处理之后的可视化等进行加工提炼出有效主题和关键词，从而达到理论上的语义建构与对策研究的有机结合，并结合前述提取的粮食损失因素，能够结合实际来分析粮食损失问题，结合情感分析，最后提出更具操作性的粮食减损建议。

摘要： 粮食储藏关乎民生和国家安全,粮食在储藏过程中,由于各种因素的影响会发生数量减少和品质的下降,无论是人为可避免还是人为不可避免的因素,或多或少的都会造成储粮损失,有效和及时减少我国粮食产后损失浪费的迫切性显而易见,这将在保障国家粮食安全、稳定粮食价格等方面发挥着重要作用.本文主要是采用大数据分析研究的方法来实现对粮食损失文本的情感计算。通过数据获取模型抓取粮食相关网站上的粮食损失文本数据，并将爬去的文本数据保存为CSV格式，存储并建立分析数据库，并在此基础上通过对文本的一系列处理分析、相关统计的分析，以及建立LDA主题模型进行分类、后期数据处理之后的可视化等进行加工提炼出有效主题和关键词，从而达到理论上的语义建构与对策研究的有机结合，并结合前述提取的粮食损失因素，能够结合实际来分析粮食损失问题，结合情感分析，最后提出更具操作性的粮食减损建议。

摘要： 粮食储藏关乎民生和国家安全,粮食在储藏过程中,由于各种因素的影响会发生数量减少和品质的下降,无论是人为可避免还是人为不可避免的因素,或多或少的都会造成储粮损失,有效和及时减少我国粮食产后损失浪费的迫切性显而易见,这将在保障国家粮食安全、稳定粮食价格等方面发挥着重要作用.本文主要是采用大数据分析研究的方法来实现对粮食损失文本的情感计算。通过数据获取模型抓取粮食相关网站上的粮食损失文本数据，并将爬去的文本数据保存为CSV格式，存储并建立分析数据库，并在此基础上通过对文本的一系列处理分析、相关统计的分析，以及建立LDA主题模型进行分类、后期数据处理之后的可视化等进行加工提炼出有效主题和关键词，从而达到理论上的语义建构与对策研究的有机结合，并结合前述提取的粮食损失因素，能够结合实际来分析粮食损失问题，结合情感分析，最后提出更具操作性的粮食减损建议。

摘要： 以Web of Science和CNKI数据库为数据源,利用共词分析法和LDA模型获取中外教育大数据研究的主题分布.国内教育大数据研究主要集中在教育教学改革、教学模式及应用、教育数据分析和个性化学习研究、人才培养、教师专业发展5个方向;国外研究主要集中在技术环境研究、数据挖掘及应用、教育应用研究、用户研究、开放资源与个性化教学5个方向.通过国内外研究主题的对比分析,发现国内在教育数据挖掘、教育数据保护、教育应用和教育数据开放4个方面与国外存在较大的差距,针对于国内教育大数据研究存在的不足,分别从政策法规制定、智慧校园建设、人才培养模式以及媒体融合等方面提出国内教育大数据的发展策略.

摘要： 以Web of Science和CNKI数据库为数据源,利用共词分析法和LDA模型获取中外教育大数据研究的主题分布.国内教育大数据研究主要集中在教育教学改革、教学模式及应用、教育数据分析和个性化学习研究、人才培养、教师专业发展5个方向;国外研究主要集中在技术环境研究、数据挖掘及应用、教育应用研究、用户研究、开放资源与个性化教学5个方向.通过国内外研究主题的对比分析,发现国内在教育数据挖掘、教育数据保护、教育应用和教育数据开放4个方面与国外存在较大的差距,针对于国内教育大数据研究存在的不足,分别从政策法规制定、智慧校园建设、人才培养模式以及媒体融合等方面提出国内教育大数据的发展策略.

摘要： 以Web of Science和CNKI数据库为数据源,利用共词分析法和LDA模型获取中外教育大数据研究的主题分布.国内教育大数据研究主要集中在教育教学改革、教学模式及应用、教育数据分析和个性化学习研究、人才培养、教师专业发展5个方向;国外研究主要集中在技术环境研究、数据挖掘及应用、教育应用研究、用户研究、开放资源与个性化教学5个方向.通过国内外研究主题的对比分析,发现国内在教育数据挖掘、教育数据保护、教育应用和教育数据开放4个方面与国外存在较大的差距,针对于国内教育大数据研究存在的不足,分别从政策法规制定、智慧校园建设、人才培养模式以及媒体融合等方面提出国内教育大数据的发展策略.

摘要： 以Web of Science和CNKI数据库为数据源,利用共词分析法和LDA模型获取中外教育大数据研究的主题分布.国内教育大数据研究主要集中在教育教学改革、教学模式及应用、教育数据分析和个性化学习研究、人才培养、教师专业发展5个方向;国外研究主要集中在技术环境研究、数据挖掘及应用、教育应用研究、用户研究、开放资源与个性化教学5个方向.通过国内外研究主题的对比分析,发现国内在教育数据挖掘、教育数据保护、教育应用和教育数据开放4个方面与国外存在较大的差距,针对于国内教育大数据研究存在的不足,分别从政策法规制定、智慧校园建设、人才培养模式以及媒体融合等方面提出国内教育大数据的发展策略.

摘要： 随着微博的日趋流行,Twitter等微博网站已成为海量信息的发布体,对微博的研究也需要从单一的用户关系分析向微博本身内容的挖掘进行转变。在数据挖掘领域,尽管传统文本的主题挖掘已经得到了广泛的研究,但对于微博这种特殊的文本,因其本身带有一些结构化的社会网络方面的信息,传统的文本挖掘算法不能很好地对它进行建模。提出了一个基于LDA的微博生成模型MB-LDA,综合考虑了微博的联系人关联关系和文本关联关系,来辅助进行微博的主题挖掘。采用吉布斯抽样法对模型进行推导,不仅能挖掘出微博的主题,还能挖掘出联系人关注的主题。此外,模型还能推广到许多带有社交网络性质的文本中。在真实数据集上的实验表明,MB-LDA模型能有效地对微博进行主题挖掘。

摘要： 本发明公开了一种基于T‑LDA主题模型的驾驶行为模式识方法，该方法包括以下步骤：S1、驾驶行为词典建立与驾驶行为直方图特征提取，根据驾驶行为数据的聚类结果建立驾驶行为词典；构建驾驶数据‑驾驶行为单词的共现矩阵，即驾驶行为直方图特征；S2、利用驾驶行为直方图特征对改进后的T‑LDA模型进行训练，进而构建驾驶数据、驾驶模式、驾驶行为单词三者之间的关系，并且引入时间信息作为驾驶行为单词的标签；利用带有时间标签的驾驶行为直方图特征对模型进行训练，并使用吉布斯采样方法求解模型参数，输出驾驶行为识别结果。本发明能有效用于驾驶行为模式识别。

摘要： 本发明公开了一种基于LDA主题模型和深度学习的群组推荐方法，包括：获取用户的历史信息，所述用户的历史信息包括：用户参与的服务信息、用户参与的群组信息；基于所述用户的历史信息中的主题内容以及LDA主题模型，获得所述用户的历史信息的期间范围内的动态偏好；描述所述用户的动态偏好与服务之间的对应关系；通过群组中各个用户之间的相互影响，修正群组内各个用户的动态偏好与服务之间的对应关系，之后得到群组对于服务的偏好。采用上述方案，可以解决用户偏好相对于时间因素而产生变化的问题；考虑到用户的社交关系对用户的服务选择的影响，更符合实际生活中推荐系统的需求，提高了推荐的精度和准确度。

摘要： 本发明公开了一种结合LDA主题模型和GloVe词向量技术的API推荐方法。本发明通过挖掘语料库中的全局统计信息，利用LDA主题模型获得单词和API的主题概率分布；同时基于语料库中的局部上下文信息，利用GloVe词向量技术生成单词和API的词向量。最后综合主题概率分布之间的相似度和词向量之间的相似度计算出单词和API之间的相关性，并根据相关性从大到小排序得到API推荐列表。本发明同时使用语料库的全局统计信息和局部上下文信息来获取语义信息，使得相似度的计算更加准确；本发明使用随机打乱策略打乱文档中的单词和API，提高单词和API出现在一个窗口中的概率，有效提高从局部上下文信息中获取语义信息的能力，提高API推荐的准确性。

摘要： 本申请公开基于LDA主题模型的文本分类系统、方法和警情分类系统和方法，所述文本分类方法包括：采集待分类文本；对所述待分类文本分词，基于词袋模型，构件所述待分类文本的文本和文本中词的tf‑idf向量集；通过LSA算法，基于所述待分类文本的文本和文本中词的tf‑idf向量集，拟合LDA主题模型中文本、文本主题以及文本中词的两两相关的分布。

摘要： 本发明提出了一种基于LDA和向量空间模型的公共政策参与度评估方法及系统，其方法包括：获取目标公共政策文档和目标动态数据；采用TF‑IDF算法分别对目标公共政策文档和目标动态数据进行分词处理，得到文档特征分词集合和数据特征分词集合；通过LDA模型分别提取目标公共政策文档和目标动态数据中隐含的语义信息，得到文档‑数据矩阵；基于文档特征分词集合和数据特征分词集合构建向量空间模型，计算出目标公共政策文档与目标动态数据之间的相似度，得到相似度矩阵；对文档‑数据矩阵和相似度矩阵进行线性加权处理。本发明能够对公共政策中的公民参与度进行有效评估，同时也解决了数据稀疏和语义丢失的问题，提高了评估的准确性和有效性。

摘要： 本发明提出了一种基于改进加权LDA模型的话题发现方法及系统，其方法包括：采集特定情况下的多源样本数据集，将多源样本数据集转换为可描述的文档，并进行预处理，得到文本数据；采用TextRank算法来提取文本数据中的关键词，并计算各关键词的权重值；基于各关键词的权重值构建加权LDA模型，并对加权LDA模型进行优化训练，得到用于话题发现的LDA模型；获取新的多源数据，将其转化为测试文本，输入至用于话题发现的LDA模型中得到测试文本的话题。本发明解决了现有技术中话题提取过于片面，不能准确地概括出整个文本核心内容的问题，通过改进的加权LDA模型，能够更有效的抽取其中的隐藏主题，选取出更加合理的话题。

摘要： 本发明涉及一种适用于LDA主题模型的自适应迭代Gibbs采样方法，属于计算机与改进算法优化技术领域。本发明首先对输入的文本数据集进行分词和去停用词处理；将经过预处理的文本数据集转换为词袋模型；将词袋输入到LDA主题模型中，并使用自适应迭代的Gibbs采样算法进行参数估计；当Gibbs采样迭代自动结束时，从而输出文本数据集潜在的主题特征。这种自适应迭代的Gibbs采样算法在进行LDA主题模型的参数估计时不需要进行人为的迭代次数设置，大幅度降低了迭代的次数，提升了LDA主题模型生成主题特征的效率。

摘要： 本发明涉及一种基于LDA主题模型的文档推荐方法，属于信息技术领域。本发明使用了LDA主题模型将每个文档进行向量化，并输出该文档的主题概率，将推荐系统中的所有文档主题概率结合起来便能得到一个文档对主题的矩阵。另一方面，通过给新用户初始化来赋予每个用户一个主题概率，并使用户主题概率的维度与文档主题概率的维度保持一致，然后将所有用户主题概率结合起来得到一个用户对主题的矩阵。最后，通过用户和文档的两个主题概率矩阵，计算出用户对文档的兴趣值并将相应文档推荐给用户。这种推荐方法可以广泛运用在文档推荐系统中，并适用于各类文档。

摘要： 本发明公开一种基于LDA和BERT融合改进模型的文本情感识别方法，该方法包括以下步骤：(1)获取社交网络文本，进行预处理；(2)融合文本的语义特征和主题特征，输出词向量矩阵；(3)将特征输入双向Transformer编码器，连接以梯度优化改进后的Softmax层，输出分类模型；(4)向分类模型投入正式语料，微调参数，改良模型。使用得到的最终分类模型，对社交网络文本进行情感识别，得到更精准识别结果。

摘要： 本发明涉及匹配方法技术领域，且公开了一种基于LDA模型、依存句法和深度学习的人岗匹配方法，包括以下步骤：S1、将专业名称归类到专业二级分类中；S2、将学校名称统一为正确的表述形式；S3、编辑距离和重复字段对岗位名称进行归一化：通过招聘网站的工作职能的划分制定标准的岗位名称词表，计算文本信息中的岗位名称与预设的标准岗位名称之间的编辑距离和重复字段。本发明提出一种基于LDA模型、依存句法和深度学习的人岗匹配方法，本发明本专利的隐含狄利克雷分布模型，依存句法和深度学习模型方法，正是从实用性出发，解决上面所述的耗费人力和时间的缺陷，实现简历信息的有效提取。