在计算机和互联网技术的高速发展时期,文本数据呈指数增长,更新速度较快。文本信息的发展也逐渐多样性化,复杂化,丰富化。社交网络中的各种书籍评论、电影评论和的新闻中的信息量对于用户来说无疑是巨大的,复杂的。此外,用户要想从成千上万的评论中逐条翻阅查找数据或者是从巨大的语料库中寻找文件必要耗费巨大的精力和时间,十分困难。因此挖掘出这些文本信息的潜在含义和自动从文本提取有用的信息已经成为自然语言处理重点研究的领域。论文在研究分析了现有的主题模型算法存在的不足之处,针对潜在迪利克雷分配（LDA）忽略了文档中词与词之间的语义关系的问题,具体研究了以下三点内容:1.论文针对现有的主题模型方法缺乏对文本词语之间的语义关系研究问题,对传统的主题模型进行了一些扩展和改进,提出了一种将词对语义关系嵌入到经典的主题模型LDA中的方法,构建了关系嵌入的主题模型算法（WPRE-TM）。通过在不同数据集下的实验结果证明算法能够挖掘出质量更高,连贯性更好的主题。2.论文针对现有的主题模型常产生嘈杂声过大,冗余度较高的主题问题,提出了一种基于词对关系嵌入的主题中词的重要性的优化算法（P-WPRE-TM）。本算法在WPRE-TM关系嵌入主题模型算法的基础上,通过对主题中所有词对的相关性进行重要性排序,降低重要性最低的词出现在该主题的概率,再通过吉布斯重新采样得到更准确的主题-词分布,最后可以生成相关性更高的主题。该算法在丰富的文本数据集上的结果都比近几年的其他算法有更好的表现。3.论文通过对以上所描述的研究内容进行了总结分析,设计并开发了一个基于关系嵌入的主题模型算法优化的原型系统。该原型系统主要包括用户登录功能、数据集上传功能、词对关系展示功能、数据集预处理展示功能和主题分析结果可视化功能。