9.1.5.1　LDA主题抽取效果

对2016—2018三年的LDA模型抽取前面10个主题数，在每个主题下进一步抽取权重最大的前7主题词汇。部分结果汇总如表9-2所示。

表9-2　LDA模型2016年主题抽取结果

从模型主题抽取结果可以看出，主题词聚类效果比较明显。可以得到2016年比较明显的话题有：无人自动驾驶（主题1）、智慧城市（主题2）、大数据（主题3）、人工智能理论知识（主题4）、智能语音产品（主题6）、程序与机器（主题6）、虚拟现实和增强现实技术（主题7）、游戏（主题8）、机器智能（主题9），谷歌Tensorflow（主题10）。虽然有些主题不是很清晰，但还是可以通过人工对主题词进行判别，从而分析得出主题的大概主旨，整体上可以看出2016年数据的LDA模型的主题聚类效果相对好。经过对全部的主题分析得出，全部16个主题中有14个主题含义比较明显。

2017年部分主题抽取结果如表9-3所示。

表9-3　LDA模型2017年主题抽取结果

从以上结果可以看到，10个主题中有大部分主题信息是比较明显的。比较明显的主题有：人工智能知识理论（主题1），企业行业技术（主题2），编程技术（主题3），无人零售（主题4），机器学习相关知识（主题6），机器人（主题7）。可以看出抽取的10个主题中有6个效果比较明显。进而对全部的24个主题进行分析，得出其中一共有18个主题都被有效提取。

2018年的部分结果如表9-4所示。

表9-4　LDA模型2018年主题抽取结果

可以看出，2018年的主题提取效果也比较明显。人工根据主题词提取主题大意：智能机器的发展（主题1），大数据（主题3），中美论文研究对比（主题4），行业岗位情况（主题5，主题6），编程技术（主题7），人类文明发展（主题9），人工智能相关知识理论（主题10）。进而对全部的22个主题进行分析，得出其中一共有19个主题都被有效提取。

9.1.5.2　Kmeans主题抽取效果

对2016—2018三年的Kmeans聚类抽取前面10个主题数，在每个主题下再根据TF-IDF值进一步抽取权重最大的前7主题词汇，得到最终结果汇总。

2016—2018三年主题抽取结果如表9-5，表9-6，表9-7所示。

表9-5　Kmeans模型2016年主题抽取表(www.daowen.com)

表9-6　Kmeans模型2017年主题抽取表

表9-7　Kmeans模型2018年主题抽取表

可以从表9-5至表9-7得出，Kmeans在主题抽取上效果明显不佳，三年抽取的主题除了少数几个可以识别出来（2016年的主题2、主题6，2017年的主题3、主题6、主题表7，2018年的主题2、主题3、主题10），其余的均比较难以判断其主题大意，说明Kmeans在问答社区主题抽取上效果不如LDA主题模型。

9.1.5.3　模型效果对比总结

2016—2018年的数据可以看出，LDA模型的大部分主题信息比较明显，2016年16个主题中有14个、2017年24个主题中有18个、2018年有22个主题中有19个主题提取结果都被有效识别。说明LDA模型对问答社区文本主题聚类效果良好，能够准确地提取并识别出问答社区的文本主题信息。

Kmeans聚类在主题提取上明显不如LDA模型。综合来看，Kmeans主题提取的效率比较低，不适合直接应用于文本主题的抽取。

根据LDA模型的结果，可以归纳得出总结知乎用户对人工智能的关注重点有：

人工智能相关理论知识：知乎用户对这部分的话题关注持续性比较高，包括机器学习、神经网络、深度学习、算法、模型和数学都有很高的关注度，这些领域都是人工智能的相关知识。这说明知乎用户热衷在社区讨论这些知识，这跟知乎人工智能的话题设置结构有一定关系。其次，这也跟知乎用户普遍的年轻化和相对高学历存在一定关系。

智能设备方面：由3年的结果综合来看，用户热衷讨论智能产品比较多的有智能语音产品比如Siri、小爱同学、小冰等。其次还有虚拟现实技术（VR）等。

无人驾驶相关：这部分包括对无人驾驶技术、无人驾驶汽车、安全事故、无人驾驶涉及的公司如百度、谷歌等。

机器人相关：包括机器人与人类职业、工作，机器人与行业、社会这些相关话题都具有相对高热度。

谷歌阿尔法狗：谷歌阿尔法狗在知乎话题数量和关注度都比较高。2016年阿尔法狗战胜围棋冠军李世石，可以看出在这一时期这部分的主题比较明显，2017年的主题中也能看出还是有部分讨论到阿尔法狗的内容。

还有比如智能机器对人类职业的影响，人工智能对社会的影响，智能医疗等都有不少的关注度。