主题模型能够提取文本数据中潜在的主题,进而根据每篇文本所属的主题对大规模文档集进行聚类。一个广泛使用的主题模型是LDA(Latent Dirichlet allocation)模型,但是LDA模型存在“顺序效应”,也就是说,如果建模时改变文本数据的读入顺序,模型会产生不同的主题,文本也可能会被划分到不同的主题中。这种“顺序效应”使结果具有误导性,严重降低文本挖掘的效率和准确性。有学者曾提出基于遗传进化算法(Genetic algorithms)的LDA模型,在某种程度上提高了模型的稳定性,但这种基于遗传进化算法的LDA模型收敛速度相对较慢,易陷入局部最优解,且对聚类结果的解释性较差。针对这些不足,本文应用差分进化算法对LDA模型的相关参数进行优化,并将优化之后的模型称为LDA-DE模型。在建立LDA-DE模型之后,本文定义了描述模型稳定性的概念:主题稳定度,之后以主题稳定度和文本聚类的准确度作为模型评价指标,对LDA模型和LDA-DE模型的建模结果进行对比。结果表明,LDA-DE模型具有更高的主题稳定度和准确度。最后,本文以“2019年315消费者权益日”热点新闻为语料库,建立LDA模型和LDA-DE模型,并以主题稳定度更高的LDA-DE模型进行主题挖掘。通过对比LDA-DE模型提取的主题与语料库中新闻报道的内容,发现LDA-DE模型具有较好的效果。