一种用于随时间主题建模的非参数混合模型
机器学习
2015-03-20 v1
摘要
单一的静态主题模型（如隐含狄利克雷分配）不适用于跨越长时间段的语料库建模，因为主题的流行度可能会随时间变化。虽然已提出多种纳入时间因素的模型，但它们通常要么表现出有限形式的时间变化，要么需要计算昂贵的推断方法。在本文中，我们提出了非参数随时间主题模型 (npTOT)，这是一种针对时变主题的模型，允许无限数量的主题，并对这些主题流行度的时间变化提供灵活的分布。我们为所提出的模型开发了一种坍缩吉布斯采样器，并在合成和真实文档集上与现有模型进行了比较。
引用
@article{arxiv.1208.4411,
title = {A non-parametric mixture model for topic modeling over time},
author = {Avinava Dubey and Ahmed Hefny and Sinead Williamson and Eric P. Xing},
journal= {arXiv preprint arXiv:1208.4411},
year = {2015}
}
备注
9 pages