Цель тематического моделирования - построение вероятностной модели, которая определяет, к каким темам относится каждый документ корпуса.

Тема представляет собой коллекцию слов, с весами - вероятностями. Если документ содержит слова, характерные для какой-нибудь темы, значит, с некоторой долей вероятности, он принадлежит этой теме.

Современные алгоритмы тематического моделирования - LDA, hLDA - устойчивы к большим объемам входных данных. Уже сегодня они используются поисковыми гигантами, чтобы, например, показывать нам релевантную контекстную рекламу и автоматически анализировать наше мнение о чем угодно в социальных сетях.

Нужно отметить, что поэтические тексты изобилуют образным языком. Как показывает исследование специалиста в области Digital Humanities Лизы Роди, анализ и интерпретация тем, полученных методом LDA на корпусе поэтических текстов, может отличаться от анализа тематических моделей коллекций документов со слабой художественной составлющей.

В нашем исследовании, мы применяем хорошо знакомые для компьютерных лингвистов методы морфологической нормализации, что позволило нам получить тематическую модель, похожую на классические модели, построенные на нехудожественных текстах.

Эксперименты по анализу корпуса поэзии показали, что в нем присутствует устойчивый набор тем. Мы специально не даем названия этим темам в виду того, что русскоязычный читатель с легкостью их угадает.

Данное исследование выполнено в рамках проекта в области Digital Humanities Школы Филологии ВШЭ студентом 1 курса магистратуры Сильвестровым А.С. под руководством к.л.н., с.н.с Бонч-Осмоловской А.А.