| 模型 | 扩张方式 | 实现方式 | 优势 | 局限性 | | LDA[1] | 无 | 直接使用 | 无需监督 | 主题挖掘不理想 | | 基于用户聚集LDA[3] | 过程扩展 | 文本聚集 | 解决短文本问题 | 只限微博用户层面建模, 需要人工干预 | | 基于训练USER模式[4] | 过程扩展 | 文本聚集、
分步求解 | 解决短文本问题,
简化推导 | 需要事先训练和人工干预, 若要更新
模型需重新训练基 | | ATM[5] | 模型扩展 | 文本聚集 | 解决短文本问题 | 只限微博用户层面主题建模 | | ATM扩展模型[12] | 模型扩展 | 文本聚集 | 解决短文本问题 | 帖子层面主题少且不理想 | | Twitter-LDA[6, 13] | 模型扩展 | 文本聚集,
引入背景模型 | 解决短文本问题和高频
词汇问题 | 一个帖子只能对应一个主题 | | Labeled-LDA[7, 14] | 模型扩展 | 引入标签信息 | 提高主题可解释性 | 要求文本具有足够的标签信息 | | MB-LDA[8] | 模型扩展 | 引入结构化信息 | 解决短文本问题, 提高
主题可解释性 | 主要针对会话类和转发类中文微博 | | HLDA[9] | 模型扩展 | 引入微博评论数、
转发数等特征量 | 提高主题可解释性 | 主要针对具有高评论数和转发数的微博 | | MA-LDA[10] | 模型扩展 | 引入时间特征 | 解决短文本问题, 提高
主题可解释性 | 主要适应于短时间内被普遍关注的微博 |
|