1.基于用户交互的主题模型提升方法，包括如下步骤：

步骤1：文档数据预处理；对语料库中每一篇文档进行数据预处理，包括分词、去停词、去标点；构建文档-词矩阵D；对得到的文档-词矩阵进行统计计算，获得语料库中每个词的重要性列表L；使用气泡云图对词的重要性列表L进行可视化，用户在该可视化界面交互进行去停词操作；

1.1对原始数据集进行数据预处理，对语料库中每篇文档进行分词，在根据停词表和符号表进行去停词和去标点，得到文档-词矩阵D；

1.2计算文档中每个词在语料库中的TF-IDF值；词频TF、逆文档频率IDF以及词频-逆文档频率TF-IDF的计算公式如公式(1)(2)(3)所示；

TFIDFi，j＝TFi，j×IDFi      (3)

其中TFi，j表示词语ti在文档dj中的词频，ni，j表示词语ti在文档dj中出现的次数，∑knk，j表示文档dj中所有词语的出现次数之和；IDFi表示词ti的逆文档频，|D|表示语料库中文档的总数，|{j：ti∈dj}|表示包含词语ti的文档数目；TFIDFi，j表示文档dj中词语ti的词频逆文档频；将TFIDFi＝TFi×IDFi作为一个词在语料库中的重要性指标，其中 根据TF-IDF值获得文档集中每个词的重要性，组成词的重要性列表L；

1.3利用气泡云图作为可视化方式，将计算得到的每个词的重要性列表L可视化出来；

每个气泡代表一个单词，其大小表征单词的重要性，即越大越重要；用户通过点击气泡来获得详细信息以及设置对应词为停词，当某个词被设置为停词时，该视图中对应的气泡也将被删除并更新停词表StopList；用户通过调节滑块调节最大气泡的半径以及界面中展示词的范围；

步骤2：主题模型建模和分析结果的可视化；利用预处理好的语料库作为输入，通过LDA主题模型训练得到主题-文档分布和主题-词分布；通过统计的方法提取主题模型的信息，并设计数据可视化视图来展示信息；

2.1LDA主题模型是一个文档-主题-单词的三层贝叶斯网络，给定一个语料库，该模型分析该语料库中每篇文档的主题概率分布，以及每个词的主题概率分布。LDA主题模型的联合概率如公式(4)所示；

θ表示一篇文档的主题分布，z表示一个主题，w表示一篇文档，c表示每篇文档下主题的多项分布的Dirichlet先验参数，β表示每个主题下词的多项分布的Dirichlet先验参数，N表示语料库中的文档数，zn表示一篇文档中第n个词的主题，wn表示一篇文档的第n个单词；

通过LDA模型训练，得到每一篇文档的主题分布θ以及每个词的主题分布β；

2.2利用词云和饼图对主题模型结果进行可视化；根据模型输出的结果查询出各个主题下概率最高的前P篇文档，并使用PageRank算法计算出排名前Q的关键词，作为关键词词云的输入；同时对各个主题下概率最高的前P篇文档的标签进行统计计算，获得各个主题的标签分布，并使用饼图可视化出来；提取出各个主题下概率最高的前Q篇文档的标题，作为标题词云的输入；

步骤3：基于用户交互的模型提升阶段；首先用户对主题模型分析结果可视化视图进行分析和探索，通过文档标签和主题关键词了解当前主题模型的语义分析结果，并进一步分析当前主题模型的不足；然后根据用户在可视化视图中的交互来获取更新先验知识，并将先验知识带入模型中再次训练；对前后两次模型输出的结果进行统计计算，获得当前主题模型的概述和前后主题模型的变化信息，并使用可视化方式展示给用户；最后重复该步骤进行迭代优化；

3.1基于气泡云图的用户主题词交互：利用气泡云图的可视化技术将主题模型输出的主题-词分布可视化出来，使用tab组件来切换不同主题下词的分布，一个气泡表示一个单词，其大小与词在当前主题下的概率线性相关，所有气泡的最大半径是可以调节的；

基于气泡云图的用户主题词交互包括：通过tab组件来选取进行操作的主题；通过单击气泡，选择“删除”按钮删除用户认为不属于该主题的单词；选择“设为停词”按钮将对应单词设置为停词；

3.2基于用户交互的语料库和主题词更新：首先根据用户设置为停词的词，更新语料库信息，即删除设置为停词的单词，得到新的语料库。然后根据各个主题中删除的单词，更新各个主题的主题词信息；最后将新的语料库作为LDA模型的输入，各个主题的主题词信息作为模型的先验知识，再次训练模型；

3.3更新前后的主题分析结果对比：对再次训练得到的模型结果进行步骤2.2的计算，提取当前主题模型的概述。对前后两次的主题模型的概述进行对比；

比较前后两次模型中各个主题下概率最高的前R篇文档的标题，根据文档的主题概率，能够得到一个变化率 其中doc_topic表示文档的主题概率，t表示模式的迭代时期；注意，如果文档是新出现的，即不是原来的前R篇文档，则Δdoc＝

1；

比较前后两次模型中各个主题下概率最高的前P篇文档的前Q个关键词，根据PageRank算法得到的PR值，计算出变化率 其中keywora_weight是通过PageRank计算得到的PR值，t表示模式的迭代时期；注意，如果关键词是新出现的，即不是原来的前Q个关键词，则Δkeyword＝1；

比较各个主题的标签信息， 其中label_sum是标签

的数量，t表示模式的迭代时期；注意，如果标签是新出现的，则Δlabel＝1；

使用正负轴条形图可视化出前后两次主题模型的变化信息，使用三种颜色分别表示标题、关键词以及标签。正负轴条形图中，x轴表示一个标题、关键词或标签，y轴表示变化率；

3.4基于用户交互的迭代优化：根据上述获得的信息，使用词云和饼图可视化出当前主题模型的概述信息，使用气泡云图可视化出当前主题模型的主题-词分布，以及正负轴条形图构建出用户可视化交互界面；

根据用户可视化交互界面，重复进行步骤3中交互、提取知识、模型重新训练和可视化的流程，进行迭代优化。