基于LDA和LSTM模型的研究主题关联与预测研究——以隐私研究为例

发布时间：2025-03-30 05:59

　　 [目的/意义]如何挖掘海量学术论文中的研究主题,梳理研究主题的演化脉络和关联关系,预测主题前沿热点,对掌握科技竞争先机至关重要。[方法/过程]针对当前主题关联和预测研究中存在的不足,提出基于隐含狄利克雷(Latent Dirichlet allocation,LDA)和长短期记忆(Long Short Term Memory,LSTM)模型的研究关联与预测方法,首先基于生命周期理论划分多时序窗口,并利用LDA主题模型挖掘学术文献中的隐性研究主题,分析主题间的关联关系;基于主题预测指标的时间序列特征,运用LSTM模型对主题研究的发展趋势和研究热点进行预测,并结合基金立项和论文发表情况对预测结果进行定性修正。[结果/结论]案例分析结果表明,本文方法可以准确挖掘研究主题,分析主题关联关系,对研究主题研究走势和热点的预测具有实用价值。

【文章页数】：13 页

【文章目录】：
1 相关研究
    1.1 主题挖掘
    1.2 主题关联与演化
    1.3 主题前沿预测
    1.4 研究述评
2 研究设计
    2.1 理论基础
        1)生命周期理论
        2)时间序列分析理论
    2.2 研究思路与方法
        2.2.1 LDA主题挖掘与关联
        2.2.2 前沿预测指标设计
        2.2.3 基于LSTM的主题预测
3 案例分析
    3.1 数据来源及预处理
    3.2 主题挖掘分析
    3.3 主题演化分析
    3.4 主题预测分析
4 结语



本文编号：4038299