层次主题检测的潜在树模型

May, 2016

Latent Tree Models for Hierarchical Topic Detection

Peixian Chen, Nevin L. Zhang, Tengfei Liu, Leonard K.M. Poon, Zhourong Chen...

TL;DR我们提出了一种新颖的分层主题检测方法，使用层次潜在树模型来对文档进行聚类并检测主题，该模型使用二元变量来表示文档中单词的存在 / 缺失，并利用树形结构建模主题和单词之间的关系，因此不需要引用文档生成过程，有助于发现有意义的主题和主题层次结构。

Abstract

We present a novel method for hierarchical topic detection where topics are obtained by clustering documents in multiple ways. Specifically, we model document collections using a class of graphical models called

hierarchical topic detection graphical models latent tree models document clustering word co-occurrence patterns

发现论文，激发创造

渐进式 EM 算法用于隐树模型和层次主题检测

本文提出一种方法，利用近期动量优化方法的技术，极大提高了层次主题检测的效率，并且找到了更好的主题和主题层次结构。

Aug, 2015

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

HyHTM：基于双曲几何的分层主题模型

使用基于双曲几何的层级主题模型（HyHTM）可以更好地对主题进行建模，使得特定的低级主题与相应的高级主题关联更紧密。同时，该模型也具备更高的计算效率和更小的内存占用。

May, 2023

潜在树语言模型

本文介绍了潜在树语言模型（LTLM），该模型将给定句子的语法和语义编码为单词角色树。将 LTLM 与 4 元修改 Kneser-Ney 语言模型相结合，通过线性插值，在英语和捷克语语料库中的实验表明，与独立的 4 元修改 Kneser-Ney 语言模型相比，明显降低了困惑度（英语最高降低 46％，捷克语最高降低 49％）

Jul, 2016

学习潜在树图模型

本文提出了两种一致且计算效率高的算法，用于学习最小化的潜在树图模型，并与其他现有方法进行了比较，所提出的算法在隐藏马尔可夫模型和星形图等各种潜在树图模型上进行了详尽的数值实验。

Sep, 2010

核主题模型

本文研究的是 Latent Dirichlet Allocation 模型的一个变体，将文档混合比重置为 squashed Gaussian 分布，从而实现对以时间、空间、层次结构、社交等方面为特征的文档的建模，同时提出了一个基于 Laplace 近似的转化基础的近似算法以便对隐藏的高斯分布进行有效的近似推断。该 KTM 模型也可以被解释为一种 Gaussian 过程潜变量模型，或基于文档特征的主题模型，在发掘这些领域的早期工作的联系时非常有用。

Oct, 2011

文档网络的分层关系模型

本文提出了一种关系主题模型，可以用于文档网络的摘要、链接预测和内部词汇预测等方面，并基于变分方法构建了高效的推断和估计算法。

Sep, 2009

潜在树模型及其应用调查

本文综述了一种称为潜在树模型的概率图模型，其通过树形结构和潜在变量的捕捉来解决数据分析中的困难，包括潜在结构发现、多维聚类和概率推断等。

Feb, 2014

深度潜在位置主题模型用于文本边网络的聚类和表示

本研究介绍了一种基于概率模型和可变图自动编码器方法的 Deep-LPTM 模型聚类策略，使节点和边在两个嵌入空间中构建联合表示，以解决社交网络中的节点聚类和数据可视化等问题，并在 Enron 公司的电子邮件数据上进行了验证。

Apr, 2023

潜树分析

该研究论文概述了关于潜在树分析的研究及其在聚类分析、主题检测和深度概率建模等机器学习领域中的应用。

Oct, 2016