由于新闻报道受到严格的监管,并且具有可靠的来源,但是要从大量新闻文本数据中获取出有价值的信息是困难且低效的。因此,通过一定方法获取新闻文本数据中的新闻主题,并将新闻数据所包含的内容清晰全面地呈现给用户,是一个重要的研究课题。当前流行的文本主题识别方法主要是基于概率主题模型,该模型在文本主题识别方面取得了很好的效果,但是对于传统的LDA(隐含狄利克雷分布)模型进行新闻文本主题识别时面临三个主要问题:一是缺乏较好的启发式选择主题数量的方法;二是针对新闻文本数据集中不同主题的文本之间存在文本数量不平衡问题时,不能很好的进行主题识别;三是通过该方法得到的主题存在难以解释和调整的问题。本文针对LDA模型在新闻文本主题识别中存在的上述问题,开展了以下研究工作:(1)提出了基于密度峰值的新闻文本最优主题数目识别方法,目前的研究除了采用基于困惑度、非参数方法等主要的迭代方法之外,还没有简单的方法来选择模型中最优的主题数目。针对如何较好的确定主题数,进而优化LDA主题模型需要事先给定主题数目从而进行主题识别这一问题,本文提出一种非迭代的自动确定主题数的方法,本方法基于密度峰值的发现快速搜寻聚类方法,将传统的主题聚类数目选择问题转化为聚类问题,并用于基于LDA模型的新闻文本的主题识别模型优化,无需进行迭代优化,可简化模型开发。该方法首先对新闻语料文本用Word2vec进行词嵌入操作,利用Word2Vec模型的优越性能来探索单词含义之间的关系,然后利用一种快速搜索并找到聚类峰值的聚类算法对word embedding后的词向量进行聚类,得到word embedding后的词向量聚类数目,最后以此聚类数目作为文本的主题数目,进而基于LDA模型进行新闻文本的主题识别。实验结果表明提出的方法取得很好的效果。(2)提出主题不平衡新闻文本的主题识别方法,新闻文本数据集中不同主题的文本之间存在文本数量不平衡问题,一部分主题的新闻文本多,一部分主题的新闻文本少,而基于LDA的主题识别模型是基于词频统计的,受高频词影响,忽略低频的词,这样的不平衡问题导致多类主题新闻文本中的词相对高频,过度训练容易产生噪声主题,少类主题新闻文本中的词则相对低频,导致识别不出少类文本的主题,针对此问题本文提出一种在主题不平衡新闻文本数据集上的主题识别方法。该方法首先对新闻文本数据集识别出被LDA主题模型充分表示主题的文本,然后对于其中被充分表示主题的文本去除噪声主题,对于其中没有被充分表示主题的文本集合再次进行LDA主题识别,并筛选高质量主题,识别出被LDA主题模型充分表示主题的文本,重复操作上述过程,直到没有被LDA充分表示主题的文本不再出现,最后以每一次循环中识别出的高质量主题的集合作为所有新闻文本集的主题表示。实验证明,该方法比不解决不平衡问题的主题识别方法拥有更好的效果。(3)搭建了基于优化后的LDA新闻文本主题识别的可视化原型系统。主题模型是高级统计工具,用户需要查看主题分布以了解结果。数据可视化为用户提供了一种直观的方式来探索和分析主题数据,使用可视化技术,可以帮助用户改善建模主题模型的结果。文章主要从数据和模型中进行提升。在数据方面创建高质量的词典,在模型方面调整模型的参数,以提高模型质量,并以此设计了基于优化后的LDA新闻文本主题识别的可视化原型系统。