瑞典报纸冠状病毒文章的主题建模：使用潜在狄利克雷分配方法的案例研究
Topic Modelling of Swedish Newspaper Articles about Coronavirus: a Case Study using Latent Dirichlet Allocation Method
AI总结：
本研究使用潜在狄利克雷分配（LDA）方法对6515篇瑞典报纸冠状病毒文章进行主题建模，分析约14个月内的主题变化，为流行病时代的社会经济与医疗分析提供公开可用的语料库和代码。
摘要：
主题建模（TM）属于自然语言理解（NLU）和自然语言处理（NLP）的研究分支，旨在促进对大型文档和数据集进行深入分析，例如总结主要主题及其主题变化。由于其对大数据分析的影响，这种发现在实际应用中越来越受欢迎。在本研究中，我们从社交媒体和医疗保健领域出发，应用流行的潜在狄利克雷分配（LDA）方法来建模瑞典报纸文章中关于冠状病毒的主题变化。我们描述了我们创建的包含6515篇文章的语料库、所应用的方法，以及从2020年1月17日到2021年3月13日大约1年零2个月期间主题变化的统计数据。我们希望这项工作能够成为主题建模落地应用的资产，并能在大流行病时代为类似的案例研究提供启发，以支持社会经济影响研究以及临床和医疗保健分析。我们的数据和源代码在 https://github.com/poethan/Swed_Covid_TM 上公开可用。关键词：潜在狄利克雷分配（LDA）；主题建模；冠状病毒；大流行病；自然语言理解；BERT-topic
英文摘要：
Topic Modelling (TM) is from the research branches of natural language understanding (NLU) and natural language processing (NLP) that is to facilitate insightful analysis from large documents and datasets, such as a summarisation of main topics and the topic changes. This kind of discovery is getting more popular in real-life applications due to its impact on big data analytics. In this study, from the social-media and healthcare domain, we apply popular Latent Dirichlet Allocation (LDA) methods to model the topic changes in Swedish newspaper articles about Coronavirus. We describe the corpus we created including 6515 articles, methods applied, and statistics on topic changes over approximately 1 year and two months period of time from 17th January 2020 to 13th March 2021. We hope this work can be an asset for grounding applications of topic modelling and can be inspiring for similar case studies in an era with pandemics, to support socio-economic impact research as well as clinical and healthcare analytics. Our data and source code are openly available at https://github. com/poethan/Swed_Covid_TM Keywords: Latent Dirichlet Allocation (LDA); Topic Modelling; Coronavirus; Pandemics; Natural Language Understanding; BERT-topic
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
