随着互联网技术在生活中的广泛应用,学术论文载体也在不断增加,学者每天面对的论文数量出现了爆发式增长,有限的时间导致研究者不能对每篇论文进行研读,因此如何利用主题发现技术对论文进行准确主题提取是亟待解决的问题。当前话题发现领域常用算法为LDA模型,但是LDA模型存在没有利用语义信息、主题表征词含义不清和主题提取数目偏大等诸多问题,但是其他学术主题发现方法比如社交网络方法复杂耗时较多,因此本文结合学术研究热点的特性对传统LDA算法所存在问题进行改进,探索其在空间计量领域主题发现的适用性。本文以传统LDA模型为研究对象,首先针对LDA算法中词汇重要性无差别这一问题进行解决,引入热度概念,提出HLDA算法,即将学术论文的热度和TF-IDF结合将热度不均等分配词汇,使得有意义的词汇获得凸显以此改变主题分布,因赋予词汇热度引入主题模型从而还可以得到主题热度;其次,为了进一步提升算法的精度和解决LDA模型没有考虑语义信息弊端,提出K-HLDA算法,将Word2vec引入到K-means聚类过程之中,对HLDA模型得到的主题-词热度概率分布表示为主题-词向量后进行K-means聚类以此纳入语义信息和合并冗余主题提升主题发现的精度。最后,为了评估HLDA算法和K-HLDA算法的适用性,在“空间计量”相关领域展开实证分析,并在学术主题发现基础之上,对不同时间片段学术主题进行相关性分析,包括主题内容演化分析、主题强度演化分析和主题生命周期演化分析。本文的研究结论如下:第一,HLDA算法与LDA算法相比使得重点词汇较为突出且改变主题分布而K-HLDA算法解决传统LDA模型和HLDA均存在的主题数目偏大具有冗余主题的缺点,通过引入语义信息和二次聚类提升了学术主题发现的精度;第二,HLDA算法和K-HLDA算法在理论上清晰易懂,相对图模型等提取主题较为简单,且通过引入热度概念均可直接得出主题热度,无需判别文档主题隶属度;第三,K-HLDA算法在热门学术主题发现领域是适用的,并将其应用于“空间计量”相关领域的主题演化分析中发现学术主题在理论维度上内容相似度较低,难以产生演化关系,相反应用维度上具有一定演化关系,即不同时间片段内研究方法可能不变,但研究对象根据国家经济政策而改变。