摘 要: [目的/意義] 在開(kāi)放的知識(shí)交流環(huán)境中向?qū)W者推薦具有相似研究興趣的學(xué)者有助于學(xué)者高效獲取到所需的學(xué)術(shù)資源，更好地開(kāi)展學(xué)術(shù)研究和學(xué)術(shù)交流。[方法/過(guò)程] 首先利用 LDA 主題模型提取學(xué)者的科研興趣特征，同時(shí)引入時(shí)間因子加權(quán)興趣特征，形成學(xué)者動(dòng)態(tài)興趣矩陣，基于此使用 K-means 對(duì)具有相似研究興趣的學(xué)者進(jìn)行聚類(lèi)分析，并在類(lèi)簇內(nèi)綜合學(xué)者的科研能力和社交屬性?xún)蓚�(gè)維度構(gòu)建學(xué)者推薦模型。 [結(jié)果/結(jié)論] 以 “百度學(xué)術(shù)”數(shù)據(jù)集對(duì)模型進(jìn)行驗(yàn)證，實(shí)驗(yàn)結(jié)果表明該模型能夠很好地發(fā)現(xiàn)相關(guān)學(xué)者，滿(mǎn)足可操作性和推薦結(jié)果有效性。在學(xué)者推薦過(guò)程中引入更貼近現(xiàn)實(shí)的動(dòng)態(tài)興趣特征對(duì)推薦結(jié)果具有一定效果。

　　關(guān)鍵詞: LDA 主題模型; 動(dòng)態(tài)特征提取; 聚類(lèi)分析; 學(xué)者推薦

　　信息技術(shù)的日新月異使得各學(xué)科領(lǐng)域的科研成果數(shù)量呈指數(shù)增長(zhǎng)，浩如煙海的科研成果在極大滿(mǎn)足學(xué)者學(xué)術(shù)交流和科研合作等需求的同時(shí)，也給學(xué)者獲取其感興趣的學(xué)術(shù)資源帶來(lái)壓力，現(xiàn)代科學(xué)研究的綜合性和復(fù)雜性迫使學(xué)者逐漸由傳統(tǒng)的單兵作戰(zhàn)模式轉(zhuǎn)向?qū)で罂蒲泻献鳌５�是如何幫助學(xué)者與其科研興趣相似的學(xué)者快速建立聯(lián)系，促使其高效獲取到感興趣的學(xué)術(shù)資源，開(kāi)展學(xué)術(shù)交流和科研合作成為虛擬學(xué)術(shù)社區(qū)提升服務(wù)的關(guān)鍵問(wèn)題，而學(xué)者推薦能夠有效地解決這些問(wèn)題。

　　在構(gòu)建虛擬學(xué)術(shù)社區(qū)推薦系統(tǒng)時(shí)，要以學(xué)者的科研興趣特征為基礎(chǔ)，融合學(xué)者的多維度特征進(jìn)行挖掘分析，根據(jù)相關(guān)研究發(fā)現(xiàn)，學(xué)者的研究興趣是呈階段性變化的，近期的研究成果更能代表學(xué)者研究興趣，現(xiàn)有的學(xué)者推薦大多是假定學(xué)者興趣恒定不變，難以反映學(xué)者興趣變化。因此本文提出了一種基于動(dòng)態(tài)興趣特征的學(xué)者聚類(lèi)和個(gè)性化推薦模型，該模型以學(xué)者科研成果為基礎(chǔ)，同時(shí)引入時(shí)間加權(quán)函數(shù)以分析學(xué)者的動(dòng)態(tài)興趣特征，在此基礎(chǔ)上對(duì)學(xué)者進(jìn)行聚類(lèi)，并融合學(xué)者的能力屬性和社交屬性進(jìn)行學(xué)者的個(gè)性化推薦研究。

　　1 研究現(xiàn)狀

　　述評(píng)學(xué)者推薦首要的任務(wù)是學(xué)者的興趣挖掘，而目前國(guó)內(nèi)外關(guān)于學(xué)者興趣挖掘的研究主要是圍繞基于關(guān)鍵詞提取和基于主題挖掘這兩個(gè)維度展開(kāi)。在基于關(guān)鍵詞的學(xué)者興趣提取方面，Nascimento 等采取經(jīng)典的詞頻—逆文檔頻率( Term Frequency-Inverse Document Frequency，TF-IDF) 來(lái)提取學(xué)者興趣特征[1]。趙蓉英等融合多種方法，分析我國(guó)開(kāi)放存取領(lǐng)域的高頻關(guān)鍵詞，挖掘該領(lǐng)域內(nèi)學(xué)者的研究興趣[2]。

　　除了方法層面，學(xué)者們還從用戶(hù)感興趣的論文[3]和合著論文[4]等不同關(guān)鍵詞來(lái)源中深入挖掘?qū)W者的研究興趣特征。然而每篇文獻(xiàn)所提供的關(guān)鍵詞有限，未能完整體現(xiàn)文獻(xiàn)所蘊(yùn)含的主題，使得所挖掘的學(xué)者研究興趣不夠豐富。學(xué)者們則從文獻(xiàn)摘要及全文著手，不斷挖掘文獻(xiàn)內(nèi)容中豐富的主題特征，以表征學(xué)者更全面的科研興趣。在基于主題挖掘的興趣挖掘方面，一種適用于大量數(shù)據(jù)文本的主 題 特 征 提 取 的 隱 含 狄 利 克 雷 分 布 模 型 ( LatentDirichlet Allocation，LDA)[5]應(yīng)運(yùn)而生，該模型在揭示用戶(hù)興趣主題上具有較高準(zhǔn)確性，因此，逐漸被運(yùn)用到學(xué)者的研究興趣挖掘上。Rosen-Zvi 等在 LDA 主題模型中加入帶有 “監(jiān)督”的作者，提出了作者—主題模型 ( AuthorTopicModel，ATM) ，該模型提取每個(gè)作者所屬的主題分布及每個(gè)主題所包含的論文主要關(guān)鍵詞內(nèi)容[6]。

　　苗蕊等也在 LDA 模型的基礎(chǔ)上提出了社區(qū)—作者—主題模型，根據(jù)作者間的合著網(wǎng)絡(luò)和論文的內(nèi)容來(lái)挖掘?qū)W者研究興趣子社區(qū)[7]。隨后，學(xué)者們逐漸發(fā)現(xiàn)實(shí)際的研究興趣會(huì)隨著時(shí)間而變化。史慶偉等將時(shí)間因素加入作者主題模型，提出了一個(gè)作者主題演化 ( AToT) 模型來(lái)挖掘科研人員的動(dòng)態(tài)研究興趣[8]。Jeong 等融合時(shí)間因素，提出作者主題流 ( Author Topic-Flow，ATF) 模型，以捕捉學(xué)者研究興趣隨時(shí)間變化的演化過(guò)程[9]。

　　可見(jiàn)從動(dòng)態(tài)視角能夠更為科學(xué)、客觀地挖掘?qū)W者的研究興趣，這為本文提供了一定參考。對(duì)于學(xué)者推薦，現(xiàn)有研究主要從基于社交網(wǎng)絡(luò)信息的學(xué)者推薦和基于標(biāo)簽、主題等語(yǔ)義信息的學(xué)者推薦。在學(xué)者推薦模型總體框架于社交網(wǎng)絡(luò)信息的學(xué)者推薦方面，Yang 等融合研究人員相關(guān)的多類(lèi)網(wǎng)絡(luò)信息，提出一種基于多層次特征的研究協(xié)作專(zhuān)家推薦方 法[10]。 熊回香等從學(xué)術(shù)能力和合作關(guān)系網(wǎng)絡(luò)兩個(gè)維度來(lái)構(gòu)建學(xué)者推薦 模 型[11]。李春英等通過(guò)劃分學(xué)者社交網(wǎng)絡(luò)中的學(xué)術(shù)社區(qū)，并基于社區(qū)內(nèi)學(xué)者影響力來(lái)實(shí)現(xiàn)社區(qū)內(nèi)的權(quán)威學(xué)者推薦服務(wù)[12]。

　　雖然這些成果能夠較好地完成學(xué)者推薦任務(wù)，但未能充分挖掘有關(guān)學(xué)者興趣的文本語(yǔ)義信息。因此，通過(guò)挖掘語(yǔ)義信息以進(jìn)行學(xué)者推薦也逐漸成為研究熱點(diǎn)。在基于語(yǔ)義信息的學(xué)者推薦方面，Yang 等根據(jù)標(biāo)簽和社區(qū)問(wèn)答網(wǎng)站中答案的投票分?jǐn)?shù)來(lái)學(xué)習(xí)用戶(hù)的專(zhuān)業(yè)知識(shí)，構(gòu)建用戶(hù)—標(biāo)簽專(zhuān)家知識(shí)矩陣，通過(guò)分解知識(shí)矩陣來(lái)預(yù)測(cè)專(zhuān)家的知識(shí)得分從而進(jìn)行學(xué)者推薦[13]。李春英等先用改進(jìn)的 H 指數(shù)量化學(xué)者的論文成果從而獲取專(zhuān)家列表，使用概率主題模型從論文中提取作者主題向量，再用矩陣奇異值分解法獲得用戶(hù)的查詢(xún)擴(kuò)展向量，根據(jù)兩個(gè)向量的相似度進(jìn)行專(zhuān)家推薦[14]。

　　與本文相似，Chakraborty 等采用主題模型對(duì)在科研學(xué)術(shù)網(wǎng)站上收集到的學(xué)者信息進(jìn)行主題分類(lèi)，然后采用K-means 和層次聚類(lèi)算法確定相似學(xué)者推薦列表[15]，但未考慮學(xué)者研究興趣隨時(shí)間變化的實(shí)際情況。綜上所述，目前在國(guó)內(nèi)外的學(xué)者推薦中，大部分研究都是以學(xué)者的靜態(tài)科研興趣為基礎(chǔ)展開(kāi)個(gè)性化推薦，然而現(xiàn)實(shí)中學(xué)者的科研興趣可能會(huì)隨著時(shí)間的變化而由一個(gè)主題向另一個(gè)主題慢慢遷移，因此在挖掘?qū)W者的興趣特征時(shí)考慮時(shí)間因素很有必要，將時(shí)間因子引入學(xué)者的興趣特征提取，可以為學(xué)者個(gè)性化推薦模型提供新視角。

　　2 推薦模型框架本文提出的推薦模型

　　該模型主要分為學(xué)者的動(dòng)態(tài)興趣特征提取、基于動(dòng)態(tài)興趣特征的學(xué)者聚類(lèi)、學(xué)者的能力屬性和社交屬性提取以及學(xué)者推薦 4 個(gè)步驟。首先對(duì)學(xué)者成果數(shù)據(jù)集進(jìn)行 LDA 主題模型訓(xùn)練，得到論文—主題概率矩陣，并根據(jù)論文發(fā)表時(shí)間計(jì)算時(shí)間因子，加權(quán)得到學(xué)者動(dòng)態(tài)興趣特征向量; 其次在學(xué)者動(dòng)態(tài)興趣模型的基礎(chǔ)上，利用 K-means 聚類(lèi)算法對(duì)學(xué)者進(jìn)行聚類(lèi)，得到相似研究興趣學(xué)者類(lèi)簇; 然后取任意一類(lèi)簇，根據(jù)學(xué)者的學(xué)術(shù)成果和學(xué)術(shù)影響力綜合計(jì)算學(xué)者的科研屬性，根據(jù)學(xué)者的合作頻次計(jì)算學(xué)者的社交屬性; 最后利用 CombMNZ 方法對(duì)學(xué)者兩種屬性的評(píng)分進(jìn)行整合，得到候選推薦學(xué)者的最終推薦值，并輸出 Top-N 位學(xué)者作為最終的學(xué)者推薦列表。

　　2. 1 學(xué)者的動(dòng)態(tài)興趣特征提取

　　由于現(xiàn)實(shí)生活中學(xué)者的科研興趣是動(dòng)態(tài)變化的，所以在進(jìn)行學(xué)者興趣特征提取時(shí)要充分考慮學(xué)者的興趣變化，不然可能會(huì)影響推薦精準(zhǔn)度。因此本文先對(duì)學(xué)者的成果進(jìn)行主題提取，在學(xué)者靜態(tài)興趣特征的基礎(chǔ)上引入時(shí)間因子，充分考慮學(xué)者研究興趣的動(dòng)態(tài)變化，構(gòu)建學(xué)者的動(dòng)態(tài)興趣特征表示模型。

　　1) 論文主題特征提取。學(xué)者的論文成果能夠很好地展示學(xué)者的研究興趣，而論文的摘要又能很好地表征論文的研究?jī)?nèi)容，因此對(duì)學(xué)者論文的摘要進(jìn)行特征提取，可以挖掘?qū)W者的研究興趣主題。本研究采用經(jīng)典的 LDA 主題模型來(lái)對(duì)學(xué)者的研究成果進(jìn)行主題特征挖掘。LDA 主題模型是一個(gè)三層貝葉斯主題概率模型，通過(guò)無(wú)監(jiān)督的學(xué)習(xí)方法發(fā)現(xiàn)文本中隱含的主題信息，該模型認(rèn)為語(yǔ)料庫(kù)中每篇文檔都是按照 “先以某種概率選擇其中一個(gè)主題，然后在該主題中以某種概率選擇一個(gè)特征詞”的方式生成的[16]。

　　2. 2 基于動(dòng)態(tài)特征的學(xué)者聚類(lèi)

　　基于動(dòng)態(tài)興趣特征的學(xué)者聚類(lèi)方法是根據(jù)學(xué)者論文成果主題特征構(gòu)建論文主題特征向量，同時(shí)引入時(shí)間遺忘因子，計(jì)算學(xué)者的興趣偏好權(quán)重，提取學(xué)者的動(dòng)態(tài)興趣構(gòu)建學(xué)者動(dòng)態(tài)興趣特征向量，得到基于學(xué)者動(dòng)態(tài)興趣特征的學(xué)者—主題特征矩陣。由于基于劃分的典型聚類(lèi)算法 Kmeans聚類(lèi)[20]是將數(shù)據(jù)集中的數(shù)據(jù)對(duì)象按照一定的劃分規(guī)則劃分成互不重疊的簇，其思想比較簡(jiǎn)單，且時(shí)間和空間復(fù)雜度低，處理大規(guī)模數(shù)據(jù)簡(jiǎn)單高效，并在文本聚類(lèi)領(lǐng)域得到了廣泛應(yīng)用。

　　因此，再采用 K-means 聚類(lèi)算法對(duì)學(xué)者—主題興趣特征矩陣進(jìn)行聚類(lèi)，具體可分為兩步:首先，學(xué)者—動(dòng)態(tài)興趣矩陣構(gòu)建。根據(jù) 2. 1 節(jié)的學(xué)者動(dòng)態(tài)興趣模型，可以得到學(xué)者當(dāng)前的研究興趣偏好主題集合 R's，根據(jù)學(xué)者當(dāng)前的研究興趣偏好向量便可以得到學(xué)者—動(dòng)態(tài)主題矩陣。其次，基于動(dòng)態(tài)興趣特征的學(xué)者聚類(lèi)。以得到的學(xué)者—動(dòng)態(tài)主題矩陣作為輸入，采用 K-means 聚類(lèi)算法對(duì)其進(jìn)行聚類(lèi)，并輸出主題標(biāo)識(shí)聚類(lèi)的結(jié)果。

　　2. 3 學(xué)者的能力屬性和社交屬性提取

　　本節(jié)在基于動(dòng)態(tài)興趣特征的學(xué)者聚類(lèi)效果的基礎(chǔ)上，選取任意類(lèi)簇，對(duì)該類(lèi)簇中學(xué)者的能力屬性和社交屬性進(jìn)行測(cè)量評(píng)估; 關(guān)于學(xué)者能力屬性，從學(xué)者的科研成果和學(xué)術(shù)影響力這兩個(gè)方面來(lái)衡量，而學(xué)者的社交屬性主要是基于學(xué)者的學(xué)術(shù)關(guān)系網(wǎng)絡(luò)來(lái)進(jìn)行測(cè)量。

　　1) 學(xué)者能力屬性評(píng)估。學(xué)者的能力屬性是融合了學(xué)者知識(shí)水平、專(zhuān)業(yè)技能、科研成果和學(xué)術(shù)影響力等多個(gè)維度，本研究主要采用論文發(fā)表數(shù)量、期刊級(jí)別以及學(xué)術(shù)影響力這三個(gè)方面來(lái)衡量學(xué)者的學(xué)術(shù)能力。論文發(fā)表的數(shù)量和質(zhì)量是科研項(xiàng)目申請(qǐng)和學(xué)者學(xué)術(shù)能力評(píng)估的重要指標(biāo)，可以被認(rèn)為是代表學(xué)者的科研能力的核心指標(biāo)[11]。

　　2. 4 學(xué)者推薦

　　本節(jié)采用 Comb MNZ[23]的方法對(duì) 2. 3 節(jié)得到的學(xué)者能力屬性和學(xué)者社交屬性測(cè)量結(jié)果進(jìn)行整合，得到學(xué)者的最終推薦值，并選取 Top-N 位學(xué)者進(jìn)行推薦。

　　3 實(shí)證研究及結(jié)果分析

　　3. 1 數(shù)據(jù)獲取與預(yù)處理基礎(chǔ)數(shù)據(jù)

　　來(lái)源于 “百度學(xué)術(shù)”，在百度學(xué)術(shù)的 “期刊頻道”按期刊檢索，選取 10 種情報(bào)學(xué)核心期刊 ( 分別為《情報(bào)學(xué)報(bào)》《圖書(shū)情報(bào)工作》 《圖書(shū)情報(bào)知識(shí)》 《現(xiàn)代圖書(shū)情報(bào)技術(shù)》( 現(xiàn)更名為 《數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn)》) 《情報(bào)資料工作》《情報(bào)理論與實(shí)踐》 《情報(bào)科學(xué)》 《情報(bào)雜志》《現(xiàn)代情報(bào)》《圖書(shū)與情報(bào)》) ，爬取其 2011—2020 年刊載的成果，包括論文標(biāo)題、關(guān)鍵詞、摘要、發(fā)表期刊和發(fā)表時(shí)間等。在獲取數(shù)據(jù)后發(fā)現(xiàn)，許多期刊的數(shù)據(jù)字段空缺，為了保證數(shù)據(jù)的完善和準(zhǔn)確，從中國(guó)知網(wǎng)、維普等數(shù)據(jù)庫(kù)抓取相關(guān)數(shù)據(jù)，彌補(bǔ)字段空缺。最后刪除序論、專(zhuān)題、會(huì)議通知等不符合要求的文獻(xiàn)，去除重復(fù)和無(wú)效數(shù)據(jù)，獲得27582 條論文數(shù)據(jù)，共 22630 位學(xué)者。

　　根據(jù)普賴(lài)斯定律來(lái)篩選資深學(xué)者，學(xué)者朱慶華發(fā)文量最多，10 年內(nèi)發(fā)文 166篇，所以 ηmax 為166，N 為9. 65，篩選10 年內(nèi)發(fā)文量大于9 篇的學(xué)者為資深學(xué)者，再對(duì)同名作者進(jìn)行消歧處理，刪除發(fā)文量小于等于 9 篇的學(xué)者，最終得到 1067 位資深學(xué)者，共發(fā)表論文 14958 篇。本文采用 Python 的 jieba 分詞工具對(duì)論文摘要進(jìn)行分詞處理，并使用停用詞表過(guò)濾掉無(wú)實(shí)際意義的詞，之后再統(tǒng)計(jì)詞頻，將詞頻為 1 的語(yǔ)詞刪除掉，以便更好地開(kāi)展后續(xù)工作。

　　在基于學(xué)者動(dòng)態(tài)特征的學(xué)者聚類(lèi)基礎(chǔ)上，融合學(xué)者的科研能力屬性和社交屬性，最后為目標(biāo)學(xué)者 “熊回香”推薦排名 Top-10 的學(xué)者為 { 李綱、蘇新寧、章成志、唐曉波、張智雄、王昊、夏立新、祝忠明、陸偉、王東波} 。對(duì)目標(biāo)學(xué)者 “熊回香”所發(fā)表的論文進(jìn)行閱讀和分析，并對(duì)其研究興趣和科研能力等檔案進(jìn)行了解和剖析后，發(fā)現(xiàn)學(xué)者 “熊回香”所在的科研機(jī)構(gòu)為華中師范大學(xué)信息管理學(xué)院，其科研興趣集中在語(yǔ)義挖掘、信息組織和個(gè)性化推薦等方面，而經(jīng)過(guò)對(duì)李綱、蘇新寧、章成志、唐曉波等學(xué)者近年來(lái)的科研成果進(jìn)行分析和研究后，發(fā)現(xiàn)所推薦學(xué)者的研究興趣不僅涵蓋了信息檢索、語(yǔ)義挖掘、信息組織和個(gè)性化推薦等主題，還包括知識(shí)組織、情報(bào)分析和競(jìng)爭(zhēng)情報(bào)等。

　　由此可以看出，本研究提出的推薦模型為目標(biāo)學(xué)者所推薦的學(xué)者們?cè)诳蒲兄黝}上符合其科研興趣主題。此外，李綱、蘇新寧、章成志、夏立新等學(xué)者還是國(guó)內(nèi)情報(bào)學(xué)領(lǐng)域的權(quán)威學(xué)者，其學(xué)術(shù)造詣和學(xué)術(shù)涵養(yǎng)能夠滿(mǎn)足目標(biāo)學(xué)者對(duì)學(xué)術(shù)交流和知識(shí)獲取的需要，并且夏立新學(xué)者不僅和目標(biāo)學(xué)者在同一機(jī)構(gòu)共事，更是與目標(biāo)學(xué)者有師承關(guān)系，其與目標(biāo)學(xué)者進(jìn)行學(xué)術(shù)交流和科研合作的可能性更高。由此可知，本研究所構(gòu)建的學(xué)者推薦模型不僅能夠滿(mǎn)足學(xué)者獲取學(xué)術(shù)資源，獲取知識(shí)，進(jìn)行學(xué)術(shù)交流等科研需要，還能滿(mǎn)足學(xué)者尋求相似研究興趣的學(xué)者進(jìn)行科研合作，促進(jìn)學(xué)科的發(fā)展需求。

　　4 結(jié)束語(yǔ)

　　本研究提出以一種基于學(xué)者動(dòng)態(tài)興趣特征聚類(lèi)的推薦模型，對(duì)學(xué)者的研究興趣特征進(jìn)行提取，并引入時(shí)間加權(quán)函數(shù)，挖掘?qū)W者的動(dòng)態(tài)興趣，基于動(dòng)態(tài)興趣特征模型進(jìn)行學(xué)者聚類(lèi); 最后在動(dòng)態(tài)研究興趣的學(xué)者聚類(lèi)基礎(chǔ)上，再融合學(xué)者的能力屬性和社交屬性提供一種學(xué)者推薦模型。并以 “百度學(xué)術(shù)”的真實(shí)數(shù)據(jù)為例，對(duì)學(xué)者推薦模型的可行性和有效性進(jìn)行了實(shí)證，通過(guò)與基于靜態(tài)興趣特征的推薦結(jié)果比較分析，本文提出的模型能夠更為精準(zhǔn)地考慮學(xué)者動(dòng)態(tài)研究興趣對(duì)推薦效果的優(yōu)化。由于 “百度學(xué)術(shù)”上的學(xué)者數(shù)據(jù)存在一定缺失，且數(shù)據(jù)更新也不及時(shí)，這些問(wèn)題都會(huì)導(dǎo)致學(xué)者推薦模型的準(zhǔn)確性，從而影響最終的推薦結(jié)果的精準(zhǔn)度。因此，在數(shù)據(jù)量更加充分完善的情況下，本研究所提出來(lái)的推薦模型效果會(huì)更好。

　　參考文獻(xiàn)

　　[1] NASCIMENTO C，LAENDER A H F，SILVA A S D，et al. Asource independent framework for research paper recommendation[C] / /Proceedings of the 2011 Joint International Conferenceon Digital Libraries ( JCDL) ，Ottawa，Canada，2011:297-306.

　　[2] 趙蓉英，吳勝男 . 我國(guó)開(kāi)放存取研究主題和作者影響力分析———戰(zhàn)略坐標(biāo)與社會(huì)網(wǎng)絡(luò)分析相融合視角 [J]. 情報(bào)理論與實(shí)踐，2013，36 ( 11) : 57-62.

　　[3] NART D D，TASSO C. A personalized concept-driven recommendersystem for scientific libraries [J]. Procedia ComputerScience，2014，38 ( 10) : 84-91.

　　[4] 徐健，毛進(jìn)，葉光輝，等 . 基于核心作者研究興趣相似性網(wǎng)絡(luò)的社群隸屬研究———以國(guó)內(nèi)情報(bào)學(xué)領(lǐng)域?yàn)槔?[J]. 圖書(shū)情報(bào)工作，2018，62 ( 12) : 57-64.

　　[5] BLEI D M，NG A Y，JORDAN M I，et al. Latent dirichlet allocation[J]. Journal of Machine Learning Research，2003，3 ( 1) : 993-1022.

　　作者：楊夢(mèng)婷，熊回香，肖 兵，葉佳鑫 ( 華中師范大學(xué)信息管理學(xué)院，湖北 武漢 430079)