如今,各學(xué)科的科研文獻數(shù)量都呈現(xiàn)快速增長的趨勢,并且學(xué)科之間日益深化交叉,呈現(xiàn)出研究主題分支眾多,發(fā)展不平衡的狀態(tài),這種情況加重了科研人員精準(zhǔn)搜索信息的難度,也不利于科研人員理清學(xué)科的研究進展和跟蹤領(lǐng)域前沿。本文以研究電氣電子學(xué)科可再生能源領(lǐng)域的文獻為例,作為這個重要領(lǐng)域的一個新嘗試,將隱含狄利克雷分布（Latent Dirichlet Allocation,LDA）和長短期記憶網(wǎng)絡(luò)（Long Short-Term Memory,LSTM）方法運用到該領(lǐng)域的主題分布探測中,旨在為學(xué)術(shù)研究人員提供該領(lǐng)域最清晰的發(fā)展背景和組織結(jié)構(gòu)。首先,本文通過應(yīng)用統(tǒng)計分析,LDA主題模型和自回歸整合移動平均模型（AutoRegressive Integrated Moving Average,ARIMA）,將電氣電子學(xué)科可再生能源領(lǐng)域文獻劃分為29個不同的主題,并在兩個時間段內(nèi)分析主題的增長特征。在此基礎(chǔ)上,根據(jù)每個主題的發(fā)展軌跡,預(yù)測它們未來的發(fā)展熱度,并分類為冷,熱和穩(wěn)定三種。本文還匯總了每個主題中最受歡迎的期刊和引文的統(tǒng)計數(shù)據(jù),從而使研究人員和期刊編輯易于欣賞和應(yīng)用,進而本文結(jié)合現(xiàn)有技術(shù)和文獻分析... 

【文章來源】：山東大學(xué)山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：82 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－１連續(xù)詞袋模型的訓(xùn)練框架??ＣＢＯＷ模型是具有三層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)：輸入層，投影層和輸出層［３５］

?ｙｐ｛ｚｘ＼ｄＤ）?■■■?ｐ｛ｚＫ＼ｄＤ）ｙ??每個主題ｉ由大小為Ｖ的詞匯表（所有文檔中的單詞集合）的概率分布??確定，表示以主題Ｔ為條件在詞匯表中檢測單詞ｖ的可能性。ＬＤＡ??模型認為一篇文檔是通過以下過程生成的：??第一步：從泊松分布中抽取文檔長度??第二步：通過狄利克雷分布獲取文檔的主題分布０??第三步：生成一篇文檔的每一個詞時ｆｏｒ?ｎ＝ｌ?ｔｏ?Ｎ：??（ａ）：從文檔的主題分布中，抽取一個特定主題腦ｏｍｚ＿ａ／（＜９）；??（ｂ）：從概率，約抽取一個單詞ｗｎ。??圖２－２為ＬＤＡ概率模型圖，分為三層級別，參數(shù)ａ和戶是語料庫級的??參數(shù)，在生成語料庫的時采樣一次。變量＆是文檔級的變量，更薪每篇文檔??時采樣一次。＼？和％？是單詞級變量，更新每個單詞時采樣一次。??ａ－ｏｆｏ＾ｔｎ??ａ?〇?ｚ?ｗ?ｎ??Ｄ??圖２－２?ＬＤＡ概率模型圖??１０??

?山東大學(xué)碩士學(xué)位論文???根據(jù)圖２－２，可知戶（４?｜?ａ）表示以ａ為條件觀察文檔ｄ的主題分布＆的概??率。；？（７，?？丨＆）表示在文檔的主題分布條件概率下，文檔ｄ中單詞ＸＩ的主題??是的概率。最終在和／？的條件概率下，第ｄ篇文章第ｎ個單詞的概??率是通過計算所有可能的主題分配、文檔中所有單詞的乘??積和文本中所有文檔的乘積之和，語料庫生成的概率為公式Ｐ－５）。??Ｄ?ｆ?Ｎ，?）??Ｙ［ｐ＾ｅｄ?Ｉ?？）?ｎＺ＾，？?Ｉ?＆ｊ）Ｐ（Ｗｄ，ｎ?Ｉ?■?（２－５）??ｊ＝ｉ?Ｖｎ＝ｌ?Ｚｄ－？?ｙ?？??ＬＤＡ建模的目標(biāo)是找到每篇文檔中每個單詞的最佳主題分配，以及最??大化每個主題的最佳單詞概率，若直接求解需要將所有文檔中所有單詞的所??有可能主題分配相加，然而計算上無法實現(xiàn)，因此，ＬＤＡ的核心推理問題??是確定給定文檔的潛在變量的后驗分布［９］，如公式（２－６）。??ｐ＾Ｚ＼Ｗ，ａ，Ｐ）?＝?Ｐ＾ｚＭａ＾）?（２－６）??ｐ｛ｗ＼ａ，Ｐ）??Ｄａｖｉｄ?Ｂｌｉｅ提出的利用變分推理方法為近似似然和后驗分布求解提供了??一種確定性方法［３７］。變分推理的基礎(chǔ)是基于凸函數(shù)Ｊｅｎｓｅｎ不等式的性質(zhì)，??通過近似ＬＤＡ后驗分布從而將計算問題重新表述為一個優(yōu)化問題，近似后??驗分布的變分分布概率模型圖如圖２－３所示，近似分布的分布特征為式Ｐ－７）：??ｑ｛０，?ｚ＼／，＜／＞）?＝?ｑ｛６１?ｒ）Ｙｌ＾ｚｎ?１（２－７）??＇．爾?．???Ｄ＿??圖２－３近似ＬＤＡ后驗的變分分布概率模型圖??最后利用ＥＭ算法在Ｅ步中找到變分參數(shù)最優(yōu)化值。在Ｍ步中最??大化對數(shù)似然，求解模型的ａ和０參數(shù)。?

【參考文獻】：
期刊論文
[1]轉(zhuǎn)型時代能源安全問題思考與中國方案[J]. 李俊峰,江思羽.  中國能源. 2020(01)
[2]專業(yè)社交媒體中的主題知識元抽取方法研究[J]. 林杰,苗潤生,張振宇.  圖書情報工作. 2019(14)
[3]整合主題的學(xué)科知識網(wǎng)絡(luò)構(gòu)建與演化分析框架研究[J]. 關(guān)鵬,王曰芬,曹嘉君.  情報科學(xué). 2018(09)
[4]基于CTM模型的觀點挖掘和可視化[J]. 馬長林,謝羅迪,陳夢麗.  計算機工程與科學(xué). 2018(04)
[5]基于word2vec和LSTM的飲食健康文本分類研究[J]. 趙明,杜會芳,董翠翠,陳長松.  農(nóng)業(yè)機械學(xué)報. 2017(10)
[6]時間序列數(shù)據(jù)挖掘綜述[J]. 賈澎濤,何華燦,劉麗,孫濤.  計算機應(yīng)用研究. 2007(11)



本文編號：3351883