AOBTM：用于版本敏感短文本分析的自适应在线双词主题建模

移动应用评论分析在需求工程、软件维护与演化中已显示出重要作用。移动应用开发者频繁查看用户评论以厘清用户遇到的问题或捕捉近期应用更新引入的新问题。应用评论具有动态特性，其讨论主题随时间变化。针对不同版本应用所收集评论中主题的变化可揭示有关应用更新的重要问题。该分析中的一项主要技术是使用主题建模算法。然而，应用评论为短文本，随时间揭示其潜在主题具有挑战性。常规主题模型在推断短文本主题时受词共现模式稀疏性困扰。此外，这些算法无法在众多连续时间片上捕捉主题。在线主题建模算法通过保存前一时间片的部分数据，加速最新时间片所收集文本的主题模型推断。但这些算法不分析所有先前时间片的统计数据，而后者可贡献于当前时间片的主题分布。我们提出自适应在线双词主题模型（AOBTM）以自适应地对短文本主题建模。AOBTM缓解短文本中的稀疏性问题，并考虑最优数量先前时间片的统计数据。我们还提出并行算法以自动确定主题的最优数量以及主题推断阶段应考虑的先前版本最佳数量。在应用评论集合和真实世界短文本数据集上的自动评估证实，AOBTM能发现更连贯的主题并优于最先进的基线。