随着大数据时代的来临,信息爆炸式增长,大量的数据以各式各样的形式展现在人们面前,不再拘束于区区的数字,文字、图片、视频甚至人们的一个小小的动作都可以成为数据保留下来。这些数据中蕴藏着大量可以加以利用的信息,如何将这些信息从大量看似毫无用途、毫无意义的数据中提取出来并完成信息的利益最大化,成为人们当下急于解决的问题。在文本领域,对研究者来说,最重要的莫过于文献,通常的文献利用大多停留在单篇文献的研读,或者是对文献的描述性分析,信息没有被充分挖掘,文献之间的联系被忽略。中文文献和英文文献对于研究者具有同样重要的学术价值,但两者的差异以及存在的相同点却未被熟知,不同国家的同一领域学术研究重点对于该领域的学者们具有指引和参考的重要作用。在此情况下,采用文本挖掘分析研究大量中外文献之间的内在联系以及差异化具有重要的理论价值以及现实意义。本文将以中国与美国的医学领域权威期刊《中华医学杂志》和《美国医学会杂志》为例,对其进行描述性分析以及优化的主题建模分析。相比于传统主题模型的不足,提出更加适用于文献文本的主题建模,目的是准确的将二者进行对比研究,深挖其背后所隐藏的信息,展现中美两国医学领域的研究热点及发展趋势,给研究者带来可供参考的资料信息。本文利用爬虫方法,爬取《中华医学杂志》和《美国医学会杂志》从2010年至2019年十年间文献的题目、作者、日期以及摘要。为得到中外期刊作者的写作规律,对科研论文发文量、高产作者数量以及合著率进行描述性分析。再对文献摘要进行预处理,对中文文献进行分词、去停用词、去除单字等操作,对英文文献进行分词、大写转小写、去停用词、去除三个字母以下的单词等操作。传统LDA模型无法对医学领域专业性较强的词汇完成高精度的建模,对此,针对LDA模型进行小幅度的优化,将TF-IDF工具与其结合使用。利用TF-IDF的强大筛选能力选择出文献中医学专业高频词汇,再对其进行具有同样作用的LDA主题建模,双重筛选保证每个主题中单词的高精度以及较高的代表能力。本文在对中外期刊文献描述性分析后,得出《中华医学杂志》相对《美国医学会杂志》而言,科研发文量较少,且自2014年开始差值逐年拉大。两类期刊合著率总体升高,可知期刊合著将会称为一种趋势。结合TF-IDF方法的LDA主题模型相比于传统LDA主题模型,准确性以及适用性更加出色。基于优化后的LDA主题模型对两种中外期刊文献模型分析的比对,可以发现中外临床医学领域的研究科目部分相同的情况下,其他科目研究方向的差异。对国内发文量较少的急诊医学等科目增加适量的学术探讨、交流以及学习。本文的创新点在于数据处理阶段由于医学领域专有词汇的特殊性,使用一般的分词工具无法带来精准切割,会对后续建模产生特别大的影响。对此,本文将采用临床医学疾病库的词汇与医学词汇大全融合的方法,汇成个人词典,加入jieba分词词汇表中,完成准确切割,最大程度保留医学领域专业词汇完整性。停用词使用的是哈工大停用词库、四川人工智能实验室停用词库及百度停用词库相融合的词库,很好的实现去停用词功能。随后便是建模阶段,先使用TF-IDF方法将预处理后的语料库进行权重处理,取权重相对较大的词汇进行LDA模型分析,分析后的结果可视为更为精准的结果,可以更加直观的添加主题。