Latent Dirichlet Allocation (LDA) 与主题建模：模型、应用及综述
信息检索
2018-12-07 v2
摘要
主题建模是文本挖掘中用于数据挖掘、潜在数据发现以及发现数据、文本文档间关系的最有力技术之一。研究者已在主题建模领域发表大量文章，并应用于软件工程、政治科学、医学和语言学等多个领域。主题建模有多种方法，其中 Latent Dirichlet Allocation (LDA) 是该领域最流行的方法之一。研究者提出了多种基于 LDA 的主题建模模型。根据已有工作，本文对介绍主题建模中的 LDA 方法非常有用且具价值。本文调研了 2003 至 2016 年间与基于 LDA 的主题建模高度相关的学术文献，以揭示主题建模的研究进展、当前趋势与知识结构的演进。此外，我们总结了挑战，并介绍了基于 LDA 的主题建模中常用的工具与数据集。
引用
@article{arxiv.1711.04305,
title = {Latent Dirichlet Allocation (LDA) and Topic modeling: models, applications, a survey},
author = {Hamed Jelodar and Yongli Wang and Chi Yuan and Xia Feng and Xiahui Jiang and Yanchao Li and Liang Zhao},
journal= {arXiv preprint arXiv:1711.04305},
year = {2018}
}
备注
arXiv admin note: text overlap with arXiv:1505.07302 by other authors