Dec, 2015

发现一个随时间演化的文档语料库的主题结构

PDF
TL;DR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。
temporal topic analysistopic discoveryhierarchical dirichlet processcomplex topic changesmedical literature corpora
发现论文，激发创造
  • 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

    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。

    Feb, 2015

  • 分析时间序列文档集的动态和静态主题模型

    本文提出一个动态和静态主题模型，能同时考虑时间上的主题演化和每个时间的主题层级结构，以此来分析结构化的时间序列文档。作者通过实验表明，该方法在科学论文集的主题提取方面优于传统模型，并展示了提取出的主题结构，以此来帮助对研究活动进行分析。

    May, 2018

  • 基于合成语料的主题建模算法新评估框架

    该论文提出了一种基于合成语料库的新框架，用于评估概率主题建模算法，通过比较标记在标记级别上的指定主题标签，能够量化种植和推断主题结构之间的一致性。通过实验，揭示了主题模型的相对强度随语料库特征变化的新见解，并首次证明了主题模型的 “不可检测阶段”。并预测了在真实世界语料库中应用的主题建模算法的性能。

    Jan, 2019

  • 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

  • 带元数据的神经模型文档

    本篇论文基于主题模型，利用变分推断的方法，提出了一种通用的神经网络框架，允许灵活地结合元数据，通过迅速探索备选模型等方法，在保证困惑度、连贯性和稀疏性的情况下，取得了强大的性能。此外，通过对美国移民文章语料库的探索，展示了本框架的潜力。

    May, 2017

  • 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

  • 一种修改后的模型用于从语料库中检测主题并评估主题可理解性的新指标

    本文提出了一种修改后的神经模型以检测语料库中主题，并提出了一种新的度量标准来评估检测到的主题。这个新模型建立在嵌入式主题模型的基础上，加入了一些修改，例如文档聚类。数值实验表明，新模型表现良好，而且无论文档的长度如何都表现良好。可以更有效地计算新度量标准，与主题连贯性等广泛使用的度量标准相比，提供了有关检测到的主题可理解性的可变信息。

    Jun, 2023

  • 神经动态聚焦主题模型

    本文提出了一种基于神经组态推断的动态聚焦主题模型，该模型能够跟踪主题的出现情况以及活跃度，并在各种任务中实现了比其他主题模型更好的泛化能力和类似的预测能力。

    Jan, 2023

  • 通过可扩展的主题嵌入从连续新闻流中无监督地发现故事

    该研究提出了一种基于主题嵌入、动态嵌入和自适应聚类的框架 USTORY 实现了无监督在线故事发现，并在真实新闻数据集上进行了全面评估，结果表明 USTORY 的性能比基线更高，并且具有鲁棒性和可扩展性。

    Apr, 2023

  • 协同主题建模

    我们提出了一种名为 “协调主题建模” 的新问题，旨在通过复用现有知识来更加可解释地表示语料库，并设计了一种基于嵌入式的协调主题模型（ECTM），该模型通过引入主题和文档级别的监督和自训练机制来解决此问题，并在多个领域进行的广泛实验表明我们的模型优于其他基线。

    Oct, 2022