近年来随着计算机技术的快速发展，机器学习被广泛应用于信息检索、自然语言处理、计算机视觉及自动化控制等方面。由于机器学习在实际应用中对不同问题所提供的条件各不相同，如含有标签信息的数据、不含标签信息的数据等，针对不同的数据类型有多种解决方法：监督学习、半监督学习、无监督学习。本书针对监督和无监督学习方法进行理论的概述、模型的改进和应用领域的探究。 针对监督概率主题模型的研究，本书将文本分析作为研究的**，文本分析起源于20世纪50年代，然而其取得突破性进展则是在1990年后随着机器学习及其它相关技术的发展而获得的。文本分析是指通过扩展和应用数据挖掘、机器学习的相关方法，从各种文本数据中提取、挖掘有用信息的过程。通常人工撰写的各种文本语料都是将各种文本语义进行复杂的抽象概念转换的结果。其中包含的各种抽象概念被定义为“主题”，文档的写作过程即根据这些主题对文档进行相应的文字描述、加工的过程。而文本分析的主要任务是对文档中的文字进行有效的分析，与文章写作相反的过程对文档中包含的各种主题信息进行识别，从而获得计算机可以解释的文档主题，为基于文档分析的信息检索、信息提取、自然语言处理等任务提供可靠

第1章绪论 1.1 研究背景及意义 1.2 研究内容 1.3 研究方法与研究框架... 第2章 面向文档表示的监督主题模型 2.1 研究综述 2.2 理论基础 2.3 共享背景主题的隐含狄利克雷分配模型 2.4融合上游和下游监督方法的主题模型 2.5���结与展望 第3章面向文本分析的半监督主题模型 3.1 研究综述 3.2 理论基础 3.3受限玻尔兹曼机的半监督主题模型 3.4 总结与展望