Jul, 2009

使用多词表达方式视觉化主题

PDF
TL;DR提出了一种用于主题可视化的新方法，使用潜在变量模型自动提取大型文本语料库中的 term 分布，并利用与主题相关的重要短语来解释该分布。该方法使用基于任意长度表达式的语言模型，并提出了一种基于嵌套排列检验的新方法来查找重要短语。结果表明，该方法优于标准的卡方检验和似然比检验。应用在科学摘要和新闻文章的语料库上，演示了主题的呈现。
topic visualizationlatent variable models$n$-gramslanguage modelpermutation tests
发现论文，激发创造
  • 稻草堆中的话题：超越一致性的话题提取和评估

    该研究提出了一种方法，通过对句子和文档的主题进行深入理解，不仅分析数据中的词频，而且可以检测包括非常见词或新词在内的潜在主题，还使用了基于语义空间的异类词和相似性度量等新的评价指标，并通过与人工识别相似性度量的相关系数，在文本挖掘方面展现出优秀的性能结果。

    Mar, 2023

  • Top2Vec：主题的分布式表示

    提出了一种基于分布式语义嵌入的主题建模方法 top2vec，不需要预定义的停用词表、词干提取或词形还原等预处理，能够自动确定主题数目，有效地提取语义信息并以主题向量的形式呈现。实验结果表明，top2vec 比传统的生成模型更加优秀。

    Aug, 2020

  • 话题作为实体聚类：基于语言模型和图神经网络的基于实体的话题

    我们提出了一种基于聚类的主题建模方法，使用概念实体作为语言无关的表示，并使用图神经网络从百科全书语料库和知识库中提取实体的向量表示，该方法在连贯性度量方面始终优于其他主题模型。

    Jan, 2023

  • 文本语料库中的可扩展主题短语挖掘

    本文提出一种基于短语挖掘算法的主题模型，该算法能够在保证计算效率的同时，高效地发现论文标题、摘要、评论和新闻文章等多种数据集中的高质量主题短语。

    Jun, 2014

  • 自动主题生成的分层潜在语义映射

    本文提出一种新的名为 Hierarchical Latent Semantic Mapping (HLSM) 的主题生成方法，它可以自动从语料库中生成主题，并使用单词之间的关联和层次生成主题网络。实验表明，相比于现有的一些最先进的方法，HLSM 在几个文档集合上表现良好。

    Nov, 2015

  • 动态交互主题表示

    GPTopic 是一个利用大型语言模型创建动态、交互式主题表示的软件包，为用户提供直观的聊天界面，使主题建模更加易于访问和全面。

    Mar, 2024

  • 融合词嵌入的短文本主题建模

    本篇论文介绍了一种基于词向量和马尔科夫随机场正则化模型的主题模型，从而改进对小文本数据的话题推断。结果表明，与传统主题模型相比，改进后的方法可以更有效地对短文本数据进行话题建模。

    Sep, 2016

  • 多维计数网格：从无序单词袋中推断单词排序

    通过研究单词袋模型中单词出现的方式和顺序，发现在一些情况下，单词会随着时间轻轻地变化，而不是被假设的有限数量的主题所解释。研究展示了这种变化的潜在结构，可以被用来提高分类和预测任务中的性能。

    Feb, 2012

  • 学习主题敏感词表示

    该论文提出使用分层狄利克雷过程学习每个单词的多个主题敏感表示的两种方法，通过模拟主题并集成每个文档的主题分布，可以得到能够区分给定单词不同含义的表示。该模型在词汇替换任务中表现出统计学显著的改进，表明常用的单词表示即使与上下文信息结合使用，也不足以完成该任务。

    May, 2017

  • 使用 Word2Vec 进行话题的时间分析

    本研究提出了一种新的方法来检测和可视化主题的趋势，其中使用 k-means 聚类和余弦相似性模型来确定主题的移动路径与方向，并在各种媒体机构的文章数据集上进行了测试。

    Sep, 2022