科技领域视频是创新技术和科普知识的产生和传播的重要载体之一,但是绝大部分视频数据都需要进行处理,才能形成可传播的知识。科技领域视频文本的自动标注并分类对检索科技领域最新技术,传播技术新动态和普及科普知识具有重要的作用。对海量科技视频文本分类成为自然语言处理研究的热点。当前视频文本分类方法主要有基于向量空间模型,基于关键字抽取和基于标签三种。由于科技视频文本长度有限,向量空间模型容易造成高稀疏性,从而影响分类效果;视频文本复杂的语义会降低关键字的抽取质量;标签是视频内容的高度归纳,被广泛应用于分类中。主题模型能够有效挖掘文本隐藏主题,但是应用于科技领域视频文本效果不理想,有很大的提升空间。因此本文将类别标签和视频文本相结合,根据科技领域视频文本特点改进主题模型。本文的主要研究内容基于领域术语库的构建和标签LDA模型,主要研究内容包括:(1)领域术语作为科技视频文本的基本元素,由于其出现频率较低,在分类过程中容易被忽略,但是领域术语对突出视频主题作用重大,本文提出构建领域术语库。术语库构建主要分为两部分:第一,通过分析专利、咨询专家和爬虫技术建立基础术语库;第二,训练条件随机场模型,识别新领域术语,通过审核后加入术语库中。(2)文本预处理是分类的重要准备工作,但是传统方法会造成领域术语被切分,破坏视频文本的语义,因此本文将术语库应用于分词阶段,提出适用于科技领域视频文本的预处理方法。(3)传统Labeled LDA模型存在偏向高频词问题,而且无法对领域术语进行处理。针对于此,将卡方统计量、文本位置加权算法和领域术语库相结合改进Labeled LDA模型和分类过程,提高主题词质量。在训练阶段对领域术语进行处理,按照对主题的贡献程度分为两个级别;在分类阶段,根据待分类文本中领域术语所属级别,对标签进行映射。本文对领域术语标识和改进主题模型进行了试验验证,结果表明,在对科技领域视频文本进行分类时,本文提出的改进Labeled LDA模型与传统模型相比,在大多数类别上,分类准确率得到了一定的提升。