网络舆情热点话题识别及追踪研究结果

贝叶斯网络是一种不确定性知识的表达与推理模型，是现阶段处理不确定信息的主流方法之一［71，72］，目前已经被成功应用于多个领域，例如，专家系统、医疗系统、统计决策等。信息检索属于典型的不确定性问题处理，故将贝叶斯网络应用于信息检索是可行的。

自20世纪80年代起，研究者们开始尝试将贝叶斯网络应用于信息检索，1990年Howard Robert Turtle和W.Bruce Croft提出推理网络检索模型后，贝叶斯网络在信息检索领域得到广泛应用。到目前为止，主流的基于贝叶斯网络的信息检索模型包括推理网络检索模型、信念网络检索模型和简单贝叶斯网络检索模型，考虑到上述三个模型存在的不足，研究者们进行了系列改进。例如，考虑到信念网络提供了一个灵活框架的优势，徐建民等［73］通过归并不同证据提出了系列扩展的信念网络检索模型；由于简单贝叶斯网络检索模型利用Polytree挖掘术语间的关系，这种方法的传播算法耗时、效率低，不具备实用性，为了解决这个问题，文献［74］对该模型进行了改进。

考虑到话题识别与追踪和信息检索的共性，研究者们尝试将信息检索领域的相关理论应用于话题识别与追踪，并取得了良好的追踪性能。后续章节将以文献［75］提出的信念网络话题模型作为表示模型，对舆情监测领域中的热点话题展开相关研究。(www.xing528.com)

本章属于本书的基础知识之一，内容包括：贝叶斯网络简介、贝叶斯网络的概率基础、贝叶斯网络的结构及概率推导、贝叶斯网络中的因果关系及贝叶斯网络在话题识别与追踪中的应用。本章对贝叶斯网络相关理论的介绍有助于掌握基于信念网络的话题模型的概率推导，厘清如何基于信念网络实现话题识别与追踪。