ACLOct, 2020

一种分离用户评价中观点和情节的分离式对抗神经主题模型

PDF
TL;DR通过神经话题模型与对抗训练相结合的方法，我们提出了一种自动分离书评和影评中的主观评价与客观描述的主题的神经话题模型，并使用新的 MOBO 数据集对其性能进行了评估。结果显示，该模型有效地提高了主题的连贯性、多样性和情感分类性能。
neural topic modelsadversarial trainingdisentangling opinion topicsplot/neutral topicsmobo dataset
发现论文，激发创造
  • 通过句法角色实现句子表示中的无监督内容解缠

    本研究通过基于注意力的概率生成模型，建立了句子中不同句法角色的潜在变量之间的交互关系，并证明了在无监督情况下可以对句法角色进行拆分与控制，为无监督内容生成提供了一种有效的方法。

    Jun, 2022

  • 半监督神经主题建模的联合学习方法

    本文介绍了标签索引神经主题模型（LI-NTM），它是迄今为止首个有效的上游半监督神经主题模型，并通过文档重建基准测试发现 LI-NTM 在低标记数据制度和带有信息标签的数据集中优于现有神经主题模型，此外，通过消融研究发现，我们共同学习的分类器优于基线分类器。

    Apr, 2022

  • 学习自然语言定义的解耦表示

    使用可表征语法和语义规律的定义句类别训练变分自编码器，并在多个测试中展现其成功解耦表示效果，以及在定义建模中得到的改善。

    Sep, 2022

  • 神经变分推断下的离散隐变量主题挖掘

    这篇论文介绍了神经方法在主题建模中的应用，特别是提供可参数化分布以允许可变参数下的后向传播，同时提出了一种递归网络，能够类似于贝叶斯非参数主题模型发现数量概念上无限的主题，在 MXM Song Lyrics，20NewsGroups 和 Reuters News 数据集上得到了实验结果的证明。

    Jun, 2017

  • 基于 Transformer 表示的概率主题建模

    我们提出了 Transformer-Representation Neural Topic Model (TNTM)，它将基于变压器的嵌入空间中的主题表示优势与概率建模相结合，利用变分自编码器 (VAE) 框架提高推理速度和建模灵活性，实验结果表明，我们提出的模型在嵌入连贯性方面达到了各种最先进方法的结果，并且保持了几乎完美的主题多样性。

    Mar, 2024

  • 利用主题和深度变分模型的可解释假新闻检测

    本研究开发了一个深度概率模型，该模型使用一个变分自动编码器和双向 LSTM 网络的密集文本表示与从贝叶斯混合模型中推断出的语义主题相关特征，旨在使用可解释的特征和方法检测真假新闻，实验证明该方法实现了与现有方法可比较的性能。

    Sep, 2022

  • 通过生成树状主题引导的句子进行无监督抽象意见摘要

    本文提出了一种基于高斯混合模型的新颖非监督式抽象摘要方法。实验结果表明，该方法生成的主题句适合作为观点文本摘要，并且更具信息量和覆盖面。

    Jun, 2021

  • 极化 - VAE：基于相似度的离散化表现学习用于文本生成

    本文提出了 polarized-VAE 方法，它通过反映数据点之间在属性相似性方面的相似性度量，可以解开潜在空间中选定的属性的不可避免联系，相对于其他属性的联系降至最低，展现出更好的表现，并适用于其他属性分离任务。

    Apr, 2020

  • 对抗神经主题模型

    提出了基于生成对抗网络的话题模型，称为 Adversarial-neural Topic Model（ATM）。ATM 可以在生成语义话题的同时，生成单词级别的语义表示，并成功应用于开放领域事件提取。

    Nov, 2018

  • 组合观察的对抗性解缠

    使用变分自编码器 (Variational Autoencoders)，通过增加最小化对抗互信息项来消除样式 (Syle) 表示中的内容 (Content) 信息，从而实现有效地分离内容和样式相关属性。

    Jan, 2020