随着大数据时代的到来,深入挖掘数据信息,研究领域未来技术的发展已成为辅助咨询研究的重要手段。近年来,全球机器人市场飞速壮大,其相关研究与应用领域不断拓展和深化,市场需求巨大,已成为国民经济的发展重点。因此,对机器人技术进行数据分析与技术预见是保证其科学发展的一个重要环节。针对文本主题划分过程中,基于引文聚类等传统方法中存在的时滞性、欠完备性、文献主题复杂、文献主题个数难以确定等特点,通过对机器人主题划分需求的研究,构建了基于机器人文献数据的大规模文本主题划分系统方案。其中建立合适的机器学习模型以获得准确的聚类结果是研究的重点。将基于折叠吉布斯采样算法的狄利克雷多项式混合模型(GSDMM)引入文献主题划分过程中,并针对其分类准确率不高、分类性能不好、无法引入先验知识等限制,通过在GSDMM模型中添加文本类别标签信息约束,对其进行了改进,提出了一种新型的附加类别标签的GSDMM半监督文本聚类模型,有效提高了模型性能。设计模型效果验证实验,比较改进前后GSDMM算法效果,证明了算法改进的有效性。设计对比实验,将基准聚类算法K-means等和GSDMM模型进行实验比较,证明了使用GSDMM进行机器人文献主题划分方案的可靠性。基于以上研究,获取大规模机器人领域文献数据,实现了机器人文献技术领域划分,为机器人领域相关工程科技战略研究提供支持。