PDC——一种概率分布聚类算法：以 PubMed 中自杀相关文章为例
计算与语言
2020-03-09 v1 信息检索
摘要
鉴于信息量不断增长，以便于人类理解的方式组织大型文献集的需求至关重要。在本工作中，我们提出 PDC（概率分布聚类，probabilistic distributional clustering），一种新颖的算法，该算法在给定文档集合时，计算代表集合中主题的不相交术语集。该算法依赖于词共现概率，将出现在文档集合中的术语集合划分为相关术语的不相交组。在本工作中，我们还提供了一个环境，用于在术语空间中可视化计算出的主题，并为每组术语检索最相关的 PubMed 文章。我们通过将算法应用于 PubMed 上关于自杀主题的文档来说明该算法。自杀是被确定为美国第十大死因的重大公共卫生问题。在该应用中，我们的目标是提供与自杀主题相关的精神健康文献的全局视图，并由此帮助创建一个多方面的丰富数据环境，以指导卫生保健研究人员更好地理解为该问题的广度、深度和范围所做的努力。我们通过提供一个允许精神健康研究人员浏览 PubMed 中自杀相关文献的网络门户，展示了所提算法的实用性。
引用
@article{arxiv.1912.02077,
title = {PDC -- a probabilistic distributional clustering algorithm: a case study on suicide articles in PubMed},
author = {Rezarta Islamaj and Lana Yeganova and Won Kim and Natalie Xie and W. John Wilbur and Zhiyong Lu},
journal= {arXiv preprint arXiv:1912.02077},
year = {2020}
}
备注
AMIA Informatics Summit 2020, 18 pages, Algorithm in the Appendix, 3 figures