《表2 经过LDA模型分析后的科技报告实例》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于主题N元语法模型的科技报告主题分析》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

相比通用领域的文档，科技报告包含了更多的科技术语，而这些术语经过中文分词经常被切割成多个更细粒度的单词，导致许多采用词袋假设的主题模型在揭示领域深层主题时效果不佳。而笔者拟采用的主题N元语法模型不仅可以引入科技术语先验知识，而且可以自动确定新的术语，从而可以弥补科技术语库不足的缺陷。表2和表3给出了同一篇科技报告分别经过LDA模型和主题N元语法模型处理后的结果，黑色表示停用词，其他颜色表示所揭示的领域深层主题，箭头表示科技术语。笔者将所分析报告的中文关键词看作科技术语直接引入了主题N元语法模型，比如“卵巢癌”和“试剂盒”等。对比表2和表3不难发现，LDA模型经常将组成同一个术语的单词分配到不同的主题，比如“卵巢癌”和“氨基酸序列”，而主题N元语法模型基本不会出现这种现象，而且还自动确定了一些术语，比如“检测试剂盒”和“氨基酸序列”等。另外，LDA模型所揭示的主题比较发散，而主题N元语法模型所揭示的主题比较集中。所有这些因素导致LDA模型所揭示的领域深层主题可读性比较差。