以目标提示对比学习和最优传输实现的人类中心主题建模

现有的主题建模方法，从 LDA 到最近的神经网络和大语言模型方法，主要关注统计一致性，往往产生冗余或偏离用户潜在意图的主题。我们提出了人类中心主题建模 (Human-centric Topic Modeling, \emph{Human-TM})，这是一种新颖的任务公式化，将用户提供的目标直接整合到主题建模过程中，以产生可解释、多样且以人类为导向的主题。为解决这一挑战，我们提出了以目标提示对比学习和最优传输为核心的 \textbf{G}oal-prompted \textbf{C}ontrastive \textbf{T}opic \textbf{M}odel with \textbf{O}ptimal \textbf{T}ransport (GCTM-OT)，该模型首先使用 LLM-based 提示从文档中提取目标候选项，然后将其整合到基于最优传输的语义感知对比学习中进行主题发现。在三个公开的 Reddit 数据集上进行的实验结果表明，GCTM-OT 在主题一致性和多样性方面均优于最先进的基线方法，并显著提高了与用户提供目标的对齐度，为构建更加以人类为中心的主题发现系统铺平了道路。