现有主题建模方法难以对复杂的文本信息进行有效的表示和利用,导致无法提取深层次的语义信息。特别是短文本数据由于存在特征稀疏、多歧义等特点,目前也没有针对短文本的主题建模方法。因此,本文从语义融合与语义拓展两个角度出发,提出了基于语义信息融合与语义拓展的文本主题建模方法,并通过实验验证了本文提出方法的合理性。本文的具体工作以及获得的成果包括:(1)对传统主题建模方法的研究。本文首先总结了传统主题建模方法的研究现状、发展趋势及当前面临的问题。并且重点对Word2vec、LDA 模型(Latent Dirichlet Allocation,LDA)以及神经网络等模型的优缺点以及使用场景进行了详细分析,在此基础上提出通过“语义拓展”和“语义融合”两个角度对主题模型进行优化的思路。(2)提出一种基于语义信息融合的主题建模方法——B-LDA模型。该方法的主要思路是通过在LDA模型的初始化过程引入先验知识来对模型进行重新表达,构建基于BERT的先验潜在狄利克雷模型。实验结果表明,B-LDA较LDA以及DMM等主题模型的性能平均提升了 10.5%和10.7%。(3)提出一种基于语义拓展的主题建模方法——W-LDA模型。该方法的主要思路是通过在LDA模型中引入Word2vec词向量表示方法,并结合语义相似度算法,实现主题的拓展。实验结果表明,性能相比于拓展前提高了 16.60%,证实了该模型的合理性与有效性。(4)设计与实现了一套短文本分类仿真系统,并进行了性能测试。该系统基于W-LDA与B-LDA两种主题建模方法,包含文本获取、文本预处理、主题词典构建以及文本分类等模块。仿真结果表明,本文提出的短文本分类算法在准确率相对于LSTM以及TF-IDF模型分别提升了 8.7%和4.46%。本文也对算法进行了横向比较,结果表明,拓展后的文本比拓展前的文本在分类准确率提高了 12.48%。进一步证明了本文提出的两个模型在实际应用中具有较高的使用价值。