KDDJul, 2020

通过联合球树和文本嵌入进行层次主题挖掘

PDF
TL;DR提出了一种新方法：基于类别树描述的文本语料库的层次话题挖掘，通过开发一种新的联合树和文本嵌入方法，同时建模类别树结构和语料库生成过程来实现有效的层次话题挖掘，发现代表性词。该方法具有高效的性能和弱监督下的分类任务性能优势。
hierarchical topic modelsunsupervised learningtext miningcategory treetopic discovery
发现论文，激发创造
  • TaxoGen: 自适应术语嵌入与聚类的无监督主题分类构建

    本文提出了一种采用嵌入术和层次聚类方法的主题分类法 TaxoGen，通过每个节点表示概念主题，定义为语义一致概念项的聚类，以构建主题分类法，并对两个真实数据进行了实验，证明了其与基线方法的有效性。

    Dec, 2018

  • 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

  • 基于类别名称引导的文本嵌入辨别式主题挖掘

    该研究提出了一种新的任务 —— 区分性主题挖掘，通过用户提供的类别名称来从文本语料库中挖掘区分主题，利用建议的 CatE 方法高效地学习区分嵌入空间和发现代表性术语，并表明 CatE 不仅有助于用户清晰地了解其最感兴趣的主题，还可以在关键字驱动的分类任务上获得卓越表现。

    Aug, 2019

  • 基于层次元数据感知的弱监督文档分类

    本研究介绍了 HiMeCat，一种基于嵌入式生成框架的弱监督文档分类方法，它能够有效地整合文本、元数据和标签层次结构，并通过数据增强和联合表示学习模块进一步优化分类效果。

    Oct, 2020

  • 知识感知的贝叶斯深度主题模型

    提出了一种 Bayesian 生成模型来将先验领域知识融入到分层主题建模中，从而形成可解释的分类。

    Sep, 2022

  • 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

  • 使用词嵌入的非参数球形主题建模

    本文提出使用 von Mises-Fisher 分布来建模单元球上的单词密度，以构建主题模型，并基于随机变分推理提出了一种高效的推断算法，实现了自然利用词嵌入的语义结构，同时能够灵活地发现主题数量。该方法在两个不同的文本语料库中拥有更好的主题连贯性并提供有效推理。

    Apr, 2016

  • 层次分类和数据驱动分类的实体和分类别的联合嵌入

    本研究提出了一种基于大型知识库集成结构化知识和分类法层次结构将实体和类别嵌入到语义空间的框架，使框架能够计算实体和类别之间有意义的语义相关性，以处理单词概念和多词概念，在概念分类上表现出卓越性能，并在无数据层次分类方面取得了最新的成果。

    Jul, 2016

  • 层次化神经语言模型：流文档及其内容的联合表示

    采用嵌套的神经语言模型构建的分层框架可以同时学习文档和单词的分布式向量表示，该模型在数据流中取得了有效的结果，并可以通过添加用户层来学习个性化的偏好向量

    Jun, 2016

  • 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