Feb, 2014

一种高再现性和高准确度的自动化主题分类方法

PDF
TL;DR通过比较 LDA 和社区检测算法的优缺点，该研究提出一种用于主题发现的新算法，可在英文维基百科大规模文章中展现层次结构，提高文本分析系统的可靠性。
发现论文，激发创造
  • 主题模型的网络方法

    采用随机块模型方法，针对主题建模中存在的问题，提出了一种更具通用性和原则性的框架，该框架能够自动检测主题数和分级群集单词和文档，从而比 LDA 在统计模型选择方面提供更好的主题模型。

    Aug, 2017

  • 监督式主题模型

    介绍了一种新的统计模型 —— 监督潜在狄利克雷分配（SLDA），应用变分方法处理难以计算的后验期望，解决回答类型的多样性并预测新文档的回答数值。与现代正则化回归以及无监督 LDA 分析相比，SLDA 有显著优势。

    Mar, 2010

  • 基于 Transformer 处理的模糊主题建模新方法

    基于软聚类和文档嵌入的模糊主题建模对比传统的 Latent Dirichlet Allocation（LDA）模型，在新闻发布监测中，得到了更加自然的结果。

    Sep, 2023

  • SAP-sLDA：探索非结构化文本的可解释界面

    通过低维投影对文本语料库进行探索是一种常见方法，我们提出了一种半监督的人类参与的基于 LDA 的方法，用于学习在低维投影中保留文档之间语义相关性的主题。

    Jul, 2023

  • 信念传播学习主题模型

    该研究提出了一种基于马尔可夫随机场框架下的因子图表示方法，实现了传统信念传播算法对隐含狄利克雷分配模型的近似推理和参数估计，该算法在速度和准确性方面均具有竞争力，并且可以成为基于 LDA 的话题模型的通用学习方案。

    Sep, 2011

  • BERTopic 在多领域短文本上的泛化实验

    本研究探讨了在短的多领域文本中如何运用 BERTopic 算法进行主题建模，并发现与 Latent Dirichlet Allocation 相比，BERTopic 在主题连贯性和多样性方面的表现更好。我们进一步分析了 BERTopic 所使用的 HDBSCAN 聚类算法的性能，并发现其将大多数文档分类为异常值。在使用 k-Means 替换 HDBSCAN 后，我们取得了类似的性能表现，但不再出现异常值。

    Dec, 2022

  • 从复制运行的聚类中测量 LDA 主题稳定性

    我们提出了一种基于重复运行 LDA、聚类和提供主题稳定性度量的方法来增强主题模型的稳定性，并以 Mozilla Firefox 提交信息为例验证了其效果。

    Aug, 2018

  • Peacock: 针对工业应用学习长尾话题特征

    本文提出了一个新的分布式系统 Peacock，以学习大规模的 LDA 主题模型，可以从大规模数据集中推断出至少 10^5 个主题，对于工业搜索引擎和在线广告系统都有显著的提高。

    May, 2014

  • 主题建模有何不足？（以及如何使用基于搜索的软件工程来解决问题）

    研究通过使用 LDADE 方法，对潜在狄利克雷分配进行参数调整，以降低其对话题稳定性的影响，并通过研究 LDA 所引起的序列效应或话题稳定性问题，得出了结果表明使用 LDADE 的结果，其性能更佳，同时使用标准 LDA 的话题不稳定性应该被淘汰。

    Aug, 2016

  • 使用深度神经网络从 LDA 模型中学习

    本研究提出了一种使用深度神经网络预测 LDA 模型中潜在主题分布的方法，借鉴了迁移学习的思想，实现了在大大降低计算时间的同时取得较好的分类效果。

    Aug, 2015