A Poisson convolution model for characterizing topical content with word frequency and exclusivity
Harvard University（哈佛大学）
在分析文档集合中的一个持续的挑战是如何根据一组推断的主题来概括内容，这些主题可以根据主题进行实质性解释。目前的做法是根据最常见的单词来参数化主题，这种做法忽略了不同主题之间单词的差异使用，从而限制了可解释性。我们认为，共同和专属的主题的话更有效地表征主题内容。我们考虑一个设置，专业编辑注释文档的主题类别的集合，组织成一个树，其中叶节点对应于最具体的主题。每个文档都被注释到树的不同级别的多个类别中。我们引入了一个层次泊松卷积模型来分析在这种设置的注释文档。该模型利用专业编辑定义的类别之间的结构，推断出一个明确的语义描述，为每个主题的话，是频繁和排他性的。我们在Amazon Turk上进行了一个大型的随机实验，以证明基于FREX分数的主题摘要比目前建立的基于频率的摘要更具可解释性，并且所提出的模型比目前的模型更有效地估计排他性。我们还开发了一个并行化的哈密顿蒙特卡罗采样器，允许的推断规模以百万计的文件。
2014-07-28 cs.CL cs.IR cs.LG
Deep Temporal-Recurrent-Replicated-Softmax for Topical Trends over Time
Siemens AG（西门子股份公司）；University of Munich (LMU)（慕尼黑大学（LMU））
动态主题建模有助于在非结构化文档的时间集合中识别随时间推移的主题趋势。本文提出了一种新的无监督神经网络动态主题模型--递归神经网络复制Softmax模型（RNNRSM），其中每次发现的主题影响后续时间步的主题发现。我们占的时间顺序的文件明确建模的联合分布的潜在的主题依赖关系随着时间的推移，使用分布估计与时间的经常性连接。将RNN-RSM应用于19年的NLP研究文章，我们证明，与最先进的主题模型相比，RNNRSM显示出更好的泛化，主题解释，演变和趋势。我们还引入了一个度量（命名为SPAN）来量化动态主题模型的能力，以捕捉随着时间的推移主题中的词的演变。
2018-05-01 cs.AI cs.CL cs.IR
Improving Retrieval in Theme-specific Applications using a Corpus Topical Taxonomy
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Yonsei University（延世大学）；Pohang University of Science and Technology（浦项科技大学）
针对特定主题应用中预训练语言模型检索效果受限的问题，提出即插即用的ToTER框架，借助语料主题分类体系补充查询上下文，可增强各类PLM检索器，经实验验证有效。
2024-03-07 cs.AI cs.IR
Two-Stage Document Length Normalization for Information Retrieval
词频规范化的标准方法仅基于文档长度。然而，它并没有区分冗长和范围，这是决定文件长度的两个主要因素。由于冗长和范围对词频的增加有很大不同的影响，标准方法很容易受到不足或过度惩罚，这取决于长文档的具体类型。为了克服这些问题，本文提出了两个阶段的规范化分别执行冗长和范围规范化，并采用不同的惩罚函数。在冗长度规范化中，通过将术语频率除以文档的冗长度来预规范化每个文档。在范围规范化中，现有的检索模型以直接的方式应用于预规范化的文档，最后导致我们制定我们提出的冗长规范化（VN）检索模型。标准TREC集合上进行的实验结果表明，VN模型导致边际，但统计上显着的改进，标准的检索模型。
2015-02-15 cs.IR
Term-Mouse-Fixations as an Additional Indicator for Topical User Interests in Domain-Specific Search
交互式信息检索（IIR）中的模型在很大程度上基于用户的任务，以便根据不同的任务类型和主题提供系统支持。然而，在搜索系统中，从日志数据中自动识别用户兴趣并不是微不足道的。用户输入的搜索查询肯定是这样的来源之一。但是，查询可能很短，或者用户只是浏览。在本文中，我们提出了一种方法的术语鼠标的固定用户鼠标悬停在考虑到估计主题用户兴趣的固定。我们分析了一个特定领域数字图书馆在大约四个月的时间内的22,259次搜索会话。我们将这些鼠标注视与用户输入的搜索词以及用户感兴趣的文档中的标题和关键字进行了比较。在所有分析的会话中，这些术语的出现率为87.12%;在这个会话子集中，每个会话平均有11.46个来自查询和查看文档的术语-鼠标-注视。这些术语的注视时间约为7秒，明显长于其他术语的注视时间约为4.4秒。这意味着，术语鼠标固定提供了主题用户兴趣的指标，并且可以基于固定时间提取它们。
2018-09-07 cs.IR
CoDeR: Local Constraint-Compatible Retrieval Beyond Semantic Similarity
University of Hong Kong（香港大学）；University of Science and Technology Beijing（北京科技大学）
针对约束敏感查询中语义相似性作为相关性代理的失效问题，提出CoDeR方法，通过分离主题相关性与约束兼容性，利用对比学习训练兼容性评分器，在不调用外部大模型的情况下实现约束兼容检索。
2026-06-12 cs.IR
Efficient Conversational Search via Topical Locality in Dense Retrieval
针对会话搜索响应时间瓶颈，利用查询的主题局部性动态限制搜索空间至相关文档簇，在 TREC CAsT 数据集上实现高达 10.4 倍提速且几乎无性能损失。
2025-04-30 cs.HC cs.IR
Processing topical queries on images of historical newspaper pages
历史报纸是人文和社会科学研究的一个来源。然而，这些图像集很难被机器读取，因为打印质量低，除了一些文件的低质量照片之外，页面缺乏标准化。本文提出了一种基于历史报纸版面图像的主题导航系统的处理模型。该系统的总体流程包括四个模块：文本子图像分割与文本提取、预处理与表示、诱导主题提取与表示、文档浏览与检索界面。每个模块的算法和技术方法进行了描述，并提出了初步的测试结果，涵盖了28年的范围内的集合。
2020-02-20 cs.IR
Is text normalization relevant for classifying medieval charters?
Center for Information Modelling, University of Graz（信息建模中心，格拉茨大学）
本文评估文本规范化对中世纪宪章年代与地点分类的影响，发现规范化仅微弱改善定位却损害断代，且支持向量机和梯度提升优于 Transformer，主张选择性保留原文特征。
2025-07-23 cs.CL cs.IR
T-Retrievability: A Topic-Focused Approach to Measure Fair Document Exposure in Information Retrieval
University of Glasgow（格拉斯哥大学）
针对现有全局可检索性指标无法准确衡量检索模型曝光偏差的问题，提出主题聚焦的T-Retrievability度量，通过局部主题组计算聚合得到更可靠的公平性评估结果。
2025-11-17 cs.IR
Clust-LDA: Joint Model for Text Mining and Author Group Inference
社交媒体语料库带来了独特的挑战和机遇，包括通常较短的文档长度和丰富的元数据，如作者特征和关系。这为系统分析庞大的用户群体创造了巨大的潜力，从而为有针对性的营销等工业战略提供了启示。在这里，我们提出了一种新的和统计原则的方法，clust-LDA，将作者身份结构的主题建模，从而完成的任务的主题推理的基础上，跨文件的作者身份，同时，作者之间的分组识别。我们开发了一个推理程序集群LDA和模拟数据上的表现，表明集群LDA优于“香草”LDA的主题识别任务，作者表现出独特的主题偏好。我们还展示了clust-LDA基于Reddit的真实社交媒体数据集的经验性能。
2018-10-05 cs.IR cs.SI stat.AP
Semantic Word Clouds with Background Corpus Normalization and t-distributed Stochastic Neighbor Embedding
Heidelberg University（海德堡大学）；LMU Munich（慕尼黑大学）
许多单词云不提供单词放置的语义，而是使用仅出于美学目的而优化的随机布局。我们提出了一种新的方法来模型的词的重要性和词的亲和力在一个文件中，并在一个大型的背景语料库相比。我们证明了它的有用性，生成更有意义的词云作为一个给定的文档的视觉摘要。然后，我们根据关键词的重要性选择关键词，并根据派生的亲和力构建词云。基于修改的t分布随机邻居嵌入（t-SNE），我们生成语义词放置。对于共现显着的话，我们包括边缘，并根据它们的共现聚类的话。为此，我们设计了一个可扩展的和内存高效的基于草图的方法，可用于商品硬件聚合所需的语料库统计数据进行规范化，并确定关键字以及显着的cooccupancy。我们经验验证我们的方法使用大型维基百科语料库。
2017-08-11 cs.CL cs.IR
Improved Query Topic Models via Pseudo-Relevant Pólya Document Models
基于伪相关反馈的查询扩展是克服词汇不匹配问题和提高检索效率的一种常用方法。在本文中，我们开发了一种新的方法，估计一个查询主题模型从一组伪相关的文件，使用一个新的语言建模框架。我们假设文档是通过多变量Polya分布的混合生成的，并且我们表明，通过识别每个文档中的主题术语，我们可以适当地选择可能属于查询主题模型的术语。几个TREC集合的实验结果表明，新的方法相比，目前国家的最先进的扩展方法。
2016-02-04 cs.IR
DeepTileBars: Visualizing Term Distribution for Neural Information Retrieval
Georgetown University（乔治城大学）
大多数神经信息检索（Neu-IR）模型基于术语级匹配来获得查询到文档排序分数。受经典术语分布可视化方法TileBars的启发，本文提出了一种新的Neu-IR模型，该模型在子主题和更高级别上处理查询到文档的匹配。我们的系统首先将文档拆分为主题片段，“可视化”查询和片段之间的匹配，然后将交互矩阵馈送到Neu-IR模型DeepTileBars中，以获得最终的排名分数。DeepTileBars对文档主题层次结构中不同粒度的相关性信号进行建模。它更好地捕捉文档的话语结构，从而匹配模式。虽然它的设计和实现是轻量级的，但DeepTileBars在基准数据集上的表现优于其他最先进的Neu-IR模型，包括文本检索会议（TREC）2010-2012 Web Tracks和LETOR 4.0。
2021-06-09 cs.CL cs.IR
Ontology Based Pivoted normalization using Vector Based Approach for information Retrieval
所提出的方法是程序性的，即它遵循有限数量的步骤，根据用户的查询提取相关文件。它是基于数据采掘的原理来分析Web数据的。数据采掘首先采用数据集成的方法生成数据仓库。然后，它提取有用的信息，借助算法。表示提取的文档的任务是通过使用基于向量的统计方法来完成的，该方法以术语集合表示每个文档。
2017-03-21 cs.AI cs.IR
Efficient Social Network Multilingual Classification using Character, POS n-grams and Dynamic Normalization
Université d’Avignon et des Pays de Vaucluse（阿维尼翁大学）；École Polytechnique de Montréal（蒙特利尔理工学院）；Centro Nacional de Investigación y Desarrollo Tecnológico（国家研究与技术开发中心）；Universidad Nacional Autónoma de México（墨西哥国立自治大学）
在本文中，我们描述了一个动态的规范化过程应用于社交网络多语言文档（Facebook和Twitter），以提高性能的作者分析任务的短文本。在标准化过程之后，获得字符的$n$元和POS标签的n元，以提取文档中编码的所有可能的风格信息（表情符号、字符泛洪、大写字母、对其他用户的引用、超链接、主题标签等）。SVM的实验表明，高达90%的性能。
2017-02-21 cs.CL cs.IR cs.SI
TPRM: A Topic-based Personalized Ranking Model for Web Search
Artificial Intelligence Application Research Center, Huawei Technologies（华为技术有限公司人工智能应用研究中心）
排名模型已经取得了可喜的成果，但它仍然具有挑战性的设计个性化的排名系统，利用用户简档和查询和文档之间的语义表示。在本文中，我们提出了一个基于主题的个性化排名模型（TPRM），结合用户的主题配置文件与预先训练的上下文术语表示量身定制的一般文档排序列表。在真实数据集上的实验表明，TPRM的性能明显优于最先进的ad-hoc排名模型和个性化排名模型。
2021-08-13 cs.AI cs.CL cs.IR
Construction and Quality Evaluation of Heterogeneous Hierarchical Topic Models
Saint Petersburg National Research University of Information Technologies, Mechanics and Optics（圣彼得堡国立信息技术、机械与光学研究大学）
在我们的工作中，我们建议将HTM表示为一组平面模型或层，以及一组主题层次结构或边缘。我们提出了一些质量措施的层次模型的边缘，类似于平面模型提出的。我们进行了评估实验，并显示出强烈的相关性，建议的措施和人类的判断局部边缘质量。我们还引入了异构算法来建立异构数据源的层次主题模型。我们展示了如何对学习过程进行某些调整，有助于保留定制模型的原始结构，同时允许对新文档进行轻微的连贯修改。我们评估这种方法使用所提出的措施，并表明，所提出的异构算法显着优于基线concat方法。最后，我们实现了我们自己的ESE称为Rysearch，这表明了潜在的ARTM方法可视化大型异构文档集合。
2018-11-07 cs.IR cs.LG stat.ML
Neural Embedding Allocation: Distributed Representations of Topic Models
University of Maryland Baltimore County（马里兰大学巴尔的摩县分校）；Atypon Systems（Atypon系统公司）
诸如skip-gram之类的词嵌入模型学习词的语义关系的向量表示，并且文档嵌入模型学习文档的类似表示。另一方面，主题模型提供了文档主题的潜在表示。为了同时获得这些表示的好处，我们提出了一种统一的算法，称为神经嵌入分配（NEA），它通过学习神经嵌入来模仿主题模型，将主题模型解构为单词，主题，文档，作者等的可解释向量空间嵌入。我们展示了NEA的LDA，作者主题模型和最近提出的混合成员跳克主题模型的有效性和通用性，并实现了更好的性能与嵌入相比，几个国家的最先进的模型。此外，我们证明，使用NEA平滑的主题，提高了一致性分数超过原来的主题模型时，主题的数量是大的。
2019-09-10 cs.CL cs.IR cs.LG
Dealing with Sparse Document and Topic Representations: Lab Report for CHiC 2012
我们将报告GESIS参加第一届CHiC研讨会（CLEF中的文化遗产）的情况。第一次举行，没有新数据集的经验，Europeana的文档转储与ca。有2300万份文件。这个测试集的预测试中出现的最突出的问题是非常不具体的主题和稀疏的文档表示。只有一半的主题（26/50）包含描述，标题通常很短，只有两个词左右。因此，我们专注于三种不同的术语建议和查询扩展机制，以超越稀疏的主题描述。我们使用了两种方法，建立在维基百科的概念提取和方法，应用共现统计可用的Europeana语料库。在下文中，我们将介绍这些方法和评估的初步结果。
2012-08-20 cs.IR
Probit Normal Correlated Topic Models
Rochester Institute of Technology（罗切斯特理工学院）
逻辑正态分布最近已经通过多变量高斯变量的变换来适应，以在主题之间存在相关性的情况下对文档的主题分布进行建模。在本文中，我们提出了一个概率单位正常的替代方法来建模相关的主题结构。我们使用的probit模型的主题发现的背景下是新颖的，因为许多作者迄今为止只集中的逻辑模型，部分原因是可怕的效率低下的多项式probit模型，即使在非常小的主题空间的情况下。我们在这里规避多项式概率估计的低效率，通过使用适应的对角正交多项式概率在主题模型的上下文中，导致我们的主题建模方案处理语料库的能力，大量的潜在主题。我们的方法的一个额外的和非常重要的好处在于，与逻辑正态模型的非共轭性导致需要复杂的采样方案不同，我们的方法利用了概率单位模型的辅助公式中固有的自然共轭性，以实现更大的简单性。我们提出的计划，一个著名的美联社语料库的应用程序，不仅有助于发现大量有意义的主题，但也揭示了捕捉令人信服的直觉之间的相关性某些主题。此外，由于各种现有的高性能算法和架构能够处理数百万的文档，我们提出的方法本身甚至进一步的可扩展性。
2014-10-03 cs.IR cs.LG stat.ML
Viewpoint and Topic Modeling of Current Events
每个故事都有多个方面，虽然统计主题模型在文本文档语料库中对故事进行主题总结方面非常成功，但它们并没有明确地解决学习文档中表达的不同方面，即观点的问题。在本文中，我们将展示如何在完全无监督的情况下学习这些观点，并以人类可解释的形式表示。我们使用一种新的方法来应用CorrLDA 2，它学习主题-视点关系，可用于形成主题组，每组代表一个视点。关于以色列-巴勒斯坦冲突的文件的语料库，然后用来演示如何巴勒斯坦和以色列的观点可以学习。通过利用线性SVM的特征权重的大小和符号，我们引入了一种原则性的方法来评估主题和观点之间的关联。有了这个，我们证明，无论是定量和定性，学习话题组是上下文连贯的，并形成一贯正确的主题-观点协会。
2016-08-14 cs.CL cs.IR stat.ML
Modeling Multidimensional User Relevance in IR using Vector Spaces
研究表明，除了话题性之外，文档的相关性判断还受到多种因素的影响。文献中提出的一些多维用户相关性模型（MURM）研究了不同维度的相关性对用户判断的影响。我们的假设是，用户可能会给予更多的重要性，在会话中的某些相关性维度可能会随着会话的进展而动态变化。这激发了使用反馈捕获不同相关性维度的权重的需要，并根据这些权重构建一个模型来对文档进行排序以用于后续查询。我们提出了一个几何模型的灵感来自量子理论的数学框架，以捕捉用户的重要性给予每个维度的相关性和测试我们的假设的数据从网络搜索引擎和TREC会话跟踪。
2018-05-06 cs.IR
Hierarchical Topic Presence Models
主题模型分析来自一组文档的文本。文档被建模为主题的混合，主题被定义为单词的概率分布。感兴趣的推断包括最可能的主题和通过检查主题的最高概率词来表征主题。出于对嵌套在网站中的网页（文档）的数据集，我们扩展了泊松因子分析主题模型的层次主题存在模型，用于分析文本嵌套在已知组中的文档。我们将一个未知的二进制主题存在参数为每个主题在网站和/或网页的水平，让网站和/或网页是稀疏的混合物的主题，我们提出了逻辑回归模型的主题存在条件的网站协变量。我们将局部主题引入泊松因子分析框架，每个网站都有一个在其他网站中找不到的局部主题。两个数据增强方法，中国表分布和Pólya-Gamma增强，帮助构建我们的采样器。我们分析文本嵌套在美国地方公共卫生部门网站的网页，以抽象的主题信息和了解国家模式的主题存在。
2021-04-16 cs.IR
Continuous-time Infinite Dynamic Topic Models
主题模型是用于在文档集合中发现主题的概率模型。在现实世界的应用程序中，这些模型为我们提供了组织非结构化集合的方法。它们可以帮助我们将一个巨大的集合聚类到不同的主题中，或者找到与手头文章中的主题相似的集合的子集。开发的第一波主题模型能够在一段时间内的大量文档中发现流行主题。后来意识到，这些时不变模型无法建模1）他们发现的主题的时变数量和2）这些主题的时变结构。很少有模型被开发来解决这两个缺陷。在线分层Dirichlet过程模型的文档随时间变化的主题数量。随着时间的推移，它也会改变主题的结构。然而，它依赖于文档顺序，而不是时间戳来随着时间的推移发展模型。连续时间动态主题模型是在连续时间内演化主题结构。但是，它会随着时间的推移使用固定数量的主题。在本文中，我提出了一个模型，连续时间无限动态主题模型，它结合了这两个模型的优点1）在线分层Dirichlet过程，2）连续时间动态主题模型。更具体地说，我提出的模型是一个概率主题模型，它可以做到以下几点：1）它在连续时间内改变主题的数量，2）它在连续时间内改变主题的结构。我将我开发的模型与其他两个具有不同设置值的模型进行了比较。所获得的结果是有利的，我的模型，并表明需要有一个模型，具有连续时间变化的主题和主题结构的数量。
2013-02-28 cs.IR stat.AP stat.ML
Experiments in Extractive Summarization: Integer Linear Programming, Term/Sentence Scoring, and Title-driven Models
University of Houston（休斯顿大学）
在本文中，我们重新审视了具有挑战性的问题，无监督的单文档摘要和研究以下几个方面：基于线性规划（ILP）的算法，参数化规范化的术语和句子的分数，和标题驱动的方法摘要。我们描述了一个新的框架，NewsSumm，其中包括许多现有的和新的方法，包括ILP和标题驱动的方法总结。NewsSumm的灵活性允许无缝结合不同的算法和句子评分方案。我们的结果结合句子评分与ILP和规范化是在对比以前的工作在这个主题上，显示了更广泛的搜索最佳参数的重要性。我们还表明，新的标题驱动的减少的想法导致性能的改善，无论是无监督和监督的方法考虑。
2020-08-01 cs.CL cs.IR
Knowledge Navigator: LLM-guided Browsing Framework for Exploratory Search in Scientific Literature
Bar-Ilan University（巴伊兰大学）；Allen Institute for AI（艾伦人工智能研究所）
提出Knowledge Navigator，结合LLM与聚类方法，将检索文档组织为两级主题层次结构，支持科学文献探索性搜索，并在两个新基准上验证了有效性。
2024-08-28 cs.AI cs.CL cs.IR
Multilingual Topic Models
Columbia University（哥伦比亚大学）；Harvard-Smithsonian Center for Astrophysics（哈佛-史密森天体物理中心）；Northeastern University（东北大学）
科学出版物已经发展了几个功能，用于在索引，检索和计算文章之间的相似性时减轻词汇不匹配。这些缓解策略的范围从简单地关注高价值的文章部分，如标题和摘要，到分配关键字，通常来自受控词汇表，手动或通过自动注释。各种文档表示方案具有不同的成本效益权衡。在本文中，我们建议将同一篇文章的不同表示建模为彼此的翻译，所有这些都是从多语言主题模型中的公共潜在表示生成的。我们首先对并行文档表示的潜在变量模型进行了方法学概述，这些模型可以用于许多信息科学任务。然后，我们将展示如何解决不同的表示映射到一个共享的主题空间的推理问题，使我们能够评估表示的基础上，他们是如何主题相似的原始文章。此外，我们提出的方法提供了手段，发现不同的概念词汇需要改进。
2017-12-18 cs.CL cs.IR stat.ML
Joint Upper & Lower Bound Normalization for IR Evaluation
在本文中，我们提出了一个新的角度对IR评估提出了一个新的家庭的评估指标，其中现有的流行指标（例如，nDCG、MAP）通过引入查询特定的下限（LB）规范化项来定制。虽然原始的nDCG、MAP等度量基于理想的排名列表在其上界方面被归一化，但是尚未研究针对它们的对应的LB归一化。具体来说，我们引入了两个不同的变种，建议LB规范化，其中的下限估计从一个随机排名的相应文件中存在的评估集。接下来，我们进行了两个案例研究，通过实例化两个流行的IR评估指标的新框架（具有两个变体，例如，DCG_UL_V1，2和MSP_UL_V1，2），然后与没有所提出的LB归一化的传统度量进行比较。在两个不同的数据集上使用八种LETOR方法进行实验，结果表明新的LB归一化度量具有以下性质：1）在上下界（UL）归一化版本中，原始度量的统计显著性差异不再保持统计显著性，反之亦然，特别是对于无信息的查询集。2)与原始度量相比，我们提出的UL归一化度量在不同的数据集上表现出更高的区分能力和更好的一致性。这些研究结果表明，IR社区应该考虑UL归一化计算时，nDCG和MAP和更深入的研究UL归一化一般IR评估是必要的。
2022-09-20 cs.IR
Rule based Approach for Word Normalization by resolving Transcription Ambiguity in Transliterated Search Queries
查询词与文档词的匹配是诸如向量空间模型等尽力信息检索模型的基本功能。在我们的基于SMS的信息系统的问题中，我们期望普通人参与信息搜索。我们的系统允许移动用户制定自己的话，自己的音译风格和拼写形式的查询。为了实现这种灵活性，我们已经解决了由于用户查询术语中固有的转录噪声而导致的术语级歧义。我们已经开发了一个基于规则的方法来选择最相关的关闭标准的条款，每个嘈杂的条款在用户查询。我们已经使用了四个不同版本的规则为基础的算法与变化的规则集。我们制定了这个规则集，包括基本的Levenshtein最小编辑距离算法的术语匹配。本文介绍了马拉地语和印地语文献信息系统的实验和相应的结果。我们对马拉地语和印地语文学进行了实验，其中包括歌曲，gazals，powadas，bharud和其他类型的标准音译形式，如ITRANS。
2019-10-16 cs.IR
StratRAG: A Multi-Hop Retrieval Evaluation Dataset for Retrieval-Augmented Generation Systems
Department of Computer Science（计算机科学系）；California State University, Fresno（加州州立大学，弗雷斯诺分校）
本文提出StratRAG数据集，用于评估检索增强生成系统在多跳推理任务中的表现，通过三种检索策略对比，发现混合检索效果最佳，但桥接问题仍较难。
2026-03-06 cs.AI cs.IR
Discovering topic structures of a temporally evolving document corpus
Deakin University（迪肯大学）；University of St Andrews（圣安德鲁斯大学）
在本文中，我们描述了一个新的框架发现的主题内容的数据语料库，并跟踪其复杂的结构变化的时间维度。与以前的工作相比，我们的模型没有对文档添加到语料库的速率施加先验，也没有采用马尔可夫假设，该假设过度限制了模型可以捕获的变化类型。我们的关键技术贡献是一个框架的基础上（i）离散化的时间到时代，（ii）时代明智的主题发现使用分层的Dirichlet过程为基础的模型，（iii）时间相似性图，允许建模复杂的主题变化：出现和消失，演变，分裂，合并。所提出的框架的力量证明了两个医学文献语料库关注自闭症谱系障碍（ASD）和代谢综合征（MetS）-这两个日益重要的研究课题具有显着的社会和医疗后果。除了收集ASD和代谢综合征的文献语料库，我们免费提供，我们的贡献还包括一个广泛的实证分析的建议框架。我们描述了一个详细的和仔细的检查，我们的算法的自由参数对其输出的影响，并讨论了我们的算法的实际应用的背景下，以及在现有的工作机构的时间主题分析的背景下的调查结果的意义。我们的定量分析之后是几个定性的案例研究高度相关的ASD和MetS，我们的算法被证明可以很好地捕捉这些领域的实际发展的当前研究。
2015-12-25 cs.IR cs.LG
