ACLJan, 2024

动态嵌入主题模型与变点检测用于探索文学历史假设

PDF
TL;DR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。
发现论文，激发创造
  • 上下文化语言模型用于语义变化检测：经验教训

    本文研究使用基于上下文嵌入方法进行检测历时语义变化的可能存在的输出错误。通过引入单一方法并进行深入的分析，作者发现这种方法可能会将词汇的词典含义变化与上下文语境的变化混淆，同时将词汇实体的句法和语义方面合并在一起。本文提出了一些解决这些问题的未来可能方案。

    Aug, 2022

  • 历史是生活的导师：利用神经嵌入进行古罗马文学的动态主题建模

    使用 BERT 嵌入实现的动态主题模型与传统的统计模型（LDA 和 NMF）进行比较，模型主题遍布整个罗马文学存档，定量评估偏向统计模型，而定性评估对神经模型有更好的洞察力，此外，神经主题模型对超参数配置不敏感，使动态主题建模对历史研究人员更具可行性。

    Jun, 2024

  • 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

  • 基于大型语言模型的词汇语义变化检测评估

    引入大型语言模型（LLMs）进入词汇语义变化检测领域，提出了新的提示解决方案和全面评估，填补了研究领域中对 LLMs 应用的空白。

    Dec, 2023

  • 词汇语义变化探测

    本文提出从变化检测到变化发现的新方向，重点在于发现全文词汇中的新单词含义变化。通过对最近发表的德语数据进行深度调整，研究人员证明了两种模型都可以成功地应用于发现正在经历含义变化的新单词。此外，还提供一个几乎全自动化的框架用于评估和发现。

    Jun, 2021

  • 词汇语义变化的计算方法综述

    介绍了最近计算技术中应用到词汇语义变化的方法与工具，着重研究了语义变化的历时概念变化扩展。

    Nov, 2018

  • 动态嵌入主题模型

    该研究采用动态主题模型和词嵌入模型组合设计了一种动态嵌入主题模型，通过向每个时间步长中的嵌入表示赋值主题，该模型能够学习到平滑的主题轨迹，并在三个不同的语料库上发现，在文档完成任务中，该模型优于动态 LDA，而且比 LDA 更易于训练。

    Jul, 2019

  • 发现一个随时间演化的文档语料库的主题结构

    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。

    Dec, 2015

  • 历时词向量和语义漂移：一项调查

    本文综述了当前关于使用预测型词嵌入模型追踪词汇语义时序变化和语义漂移检测的学术研究现状，并讨论了该领域的挑战和应用前景。

    Jun, 2018

  • 罗马尼亚语的语义变化检测

    自动语义变化方法旨在通过分析词语在历时语料库中的使用来识别其含义随时间的变化。本文分析了在真实的英语和罗马尼亚数据集上创建静态和上下文词嵌入模型（Word2Vec 和 ELMo）的不同策略。通过对英语数据集（SEMEVAL-CCOHA）进行评估，并针对罗马尼亚数据集进行实验来确定模型的性能，并突出该低资源语言中语义变化的不同方面，如含义的获取与丧失。实验结果表明，在选择模型和计算语义变化得分的距离方面，取决于语料库，这是最重要的因素。

    Aug, 2023