Aug, 2016

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）

PDF
TL;DR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。
发现论文，激发创造
  • 一种高再现性和高准确度的自动化主题分类方法

    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。

    Feb, 2014

  • 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

  • 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

  • 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

  • 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

  • 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

  • 大型语言模型为传统主题建模方法提供了一种替代方案

    本研究旨在探讨大型语言模型（LLMs）在主题提取方面的潜力，并建立评估协议以评估 LLMs 的聚类效果。通过深入实验与评估，总结了采用 LLMs 进行主题提取的优势和限制。

    Mar, 2024

  • 潜在狄利克雷分配的谱算法

    提出了一种名为 ECA 的学习流程，基于低阶矩的光谱分解，它可以恢复多种混合模型的参数，并在仅使用三元统计时正确恢复主题概率向量和主题优先级，因此具有可扩展性。

    Apr, 2012

  • Topic2Vec: 学习主题的分布式表示

    本文提出 Topic2Vec 方法，通过在语义向量空间中学习话题表示来替代概率的 LDA 表示，实验证明该方法取得了有意义的结果。

    Jun, 2015