HAMLET：面向医疗保健的自适应多语言学习嵌入式主题模型

传统主题模型往往难以处理上下文细微差别，无法充分处理多义性和稀有词。这一局限通常导致主题缺乏连贯性和质量。大型语言模型（LLM）可以通过生成初始主题集合来缓解这一问题。然而，这些原始主题经常缺乏精炼和代表性，导致冗余且缺乏词汇相似性，降低可解释性。本文介绍HAMLET，这是一种基于图的跨语言医疗保健主题建模架构，利用LLM。该方法利用神经网络增强的语义融合来细化LLM生成主题的嵌入。本方法不依赖仅靠统计共现或人类解释来从文档语料库中提取主题，而是引入一种主题嵌入细化技术，利用双向编码器表示变换器（BERT）和图神经网络（GNN）。在主题生成之后，采用BERT和Sentence-BERT（SBERT）的混合技术进行嵌入。主题表征进一步通过GNN进行细化，该网络在文档、主题、词汇、相似主题和相似词之间建立联系。引入一种新方法来计算相似性。因此，主题嵌入被细化，提取出前k个主题。实验使用两个医疗保健数据集进行了测试，一个为英文，一个为法文，衍生出六套数据集。结果表明HAMLET有效。