KDDFeb, 2015

用于追踪复杂主题结构演化的分层狄利克雷过程及其在自闭症研究文献中的应用

PDF
TL;DR本文介绍了一种利用分层狄利克雷过程对数据语料进行时间分段主题发现的新框架，用于追踪其结构变化，并且用于医学文献语料中的自闭症谱系障碍研究。
topic discoverytemporal changeshierarchical dirichlet processautism spectrum disorderknowledge discovery
发现论文，激发创造
  • 发现一个随时间演化的文档语料库的主题结构

    本文提出一种基于离散化时间的 epochs、使用层次狄利克雷过程的话题发现，以及可以建模复杂话题变化的时间相似性图的新框架，实验表明该算法能够准确捕捉医学文献语料库的发展和演变。

    Dec, 2015

  • Timeline：一种动态层级狄利克雷过程模型，用于恢复文本流中主题的出生 / 死亡和演化

    本文提出了无限动态主题模型 (iDTM)，该模型能够适应文档集合中主题数量、主题分布和流行度等潜在结构的时空演化，使用该模型对 NIPS 社区中的主题进行了分析并在模拟和真实数据集上进行了评估，结果良好。

    Mar, 2012

  • 使用泊松 - 霍克斯过程的弹性先验方法进行文本时间聚类

    开发了一种方法，基于文本内容和发布时间创建文本文档的聚类，即 Powered Dirichlet-Hawkes process (PDHP)，相比最先进的模型，当文本信息解释能力较差时，PDHP 获得了显著更好的结果，还证明了文本内容和时间动态并非完全相关。

    Jan, 2022

  • Dirichlet 信念网络用于主题结构学习

    本文介绍了一个基于多层生成模型的主题模型深度架构，通过该模型可发现可解释的主题层级结构，对于提高主题模型的建模精度和可解释性具有显著作用。

    Nov, 2018

  • 异质儿童心理健康临床记录的动态主题语言模型

    通过长期主题模型，我们研究了 COVID-19 期间儿童心理健康的变化，发现性别和性别少数群体的儿童在大流行事件和疫苗相关新闻方面表现更为明显，为临床医生识别与儿童性别和性别认同相关的心理健康差异提供了宝贵的见解。

    Dec, 2023

  • 动态嵌入主题模型与变点检测用于探索文学历史假设

    我们提出了一种新颖的动态嵌入式主题模型和转折点检测的组合方法，用于探索古典与早期基督教拉丁语中词汇语义情态的历时变化。我们展示了几种方法来寻找和描述产出中的模式，并将其与比较文学和经典学中的传统学术研究联系起来。这种简单的无监督语义变化模型方法可以应用于任何合适的语料库，我们最后讨论了未来的方向和改进，以使噪声更大、经过整理较少的材料达到这个阈值。

    Jan, 2024

  • 重要学术会议论文的层次主题分类

    本文发展了一个用于层次化文本分类的决策支持系统，提出了一种加权层次化相似性函数来计算主题的相关性，并使用熵来估计权重。通过与其他方法比较，该加权层次化相似性函数在主题排名准确性方面有了更好的改进。

    Jun, 2024

  • 社交媒体中捕捉顾客洞察的专题方法

    社交媒体时代为企业开启了新的机遇，但其中的文本数据分析则面临着诸多挑战。本研究针对嘈杂、大数据背景下的无监督主题提取问题，提出了三种基于变分自编码器框架的方法，并在实际使用案例中对这些方法进行了测试，证明了它们相较于现有方法在主题建模领域能够取得同等或更好的性能，并指出主题建模领域需要改进评估指标。

    Jul, 2023

  • 基于多尺度图划分的内容驱动非监督式新闻文章聚类

    介绍了一种利用自然语言处理和图论工具结合的方法，通过向量表示和多尺度社团检测技术对文本进行分析和分类，得出了一组组具有相似内容的文档，揭示了主题和子主题的类层次结构。

    Aug, 2018

  • 基于分层狄利克雷过程的 Twitter 子故事检测

    本研究旨在使用基于概率主题模型的层次狄利克雷过程（HDP）方法进行社交媒体平台上的子事件检测，并对其性能与基于局部敏感哈希和谱聚类的现有方法进行比较，结果表明 HDP 具有更高的召回率和更高的精度。此外，研究还显示，在 Twitter 数据集上，会话结构也可以用于显著提高子事件检测的性能。

    Jun, 2016