基于加权隐含狄利克雷分配模型的新闻话题挖掘方法

？针对传统新闻话题挖掘准确率不高、话题可解释性差等问题，结合新闻报道的体例结构特点，提出一种基于加权隐含狄利克雷分配（lda）模型的新闻话题挖掘方法。首先从不同角度改进词汇权重并构造复合权值，扩展lda模型生成特征词的过程，以获取表意性较强的词汇；其次，将类别区分词（cdw）方法应用于建模结果的词序优化上，以消除话题歧义和噪声、提高话题的可解释性；最后，依据模型话题概率分布的数学特性，从文档对话题的贡献度以及话题权值概率角度对话题进行量化计算，以获取热门话题。仿真实验表明：与传统lda模型相比，改进方法的漏报率、误报率分别平均降低1.43%、0.16%，最小标准代价平均降低2.68%，验证了该方法的可行性和有效性。