基于连续最优输运的破碎嵌入主题模型用于文档流的在线分析
机器学习
2025-10-22 v1
摘要
在线主题模型是识别数据流中潜在主题的无监督算法，这些数据流会随时间持续演变。尽管这些方法自然符合现实场景，但由于存在特定的额外挑战，这些方法在社区中获得的注意力远不如其离线版本。在针对这些问题方面，我们提出了SB-SETM（Stick-Breaking Embedded Topic Model），这是一种创新的模型，将嵌入式主题模型（ETM）扩展到处理由连续部分文档批次组成的数据流。为此，SB-SETM（1）利用截断的破碎构造（truncated stick-breaking construction）用于主题-文档分布，使模型能够自动从数据中推断每个时间步的活跃主题数量；（2）引入基于连续形式最优输运（continuous formulation of optimal transport）适用于潜在主题空间高维度的合并策略。数值实验表明，SB-SETM在模拟情景下优于基线方法。我们在覆盖2022-2023年俄乌战争的真实世界新闻文章语料上进行了广泛测试。
引用
@article{arxiv.2510.18786,
title = {Stick-Breaking Embedded Topic Model with Continuous Optimal Transport for Online Analysis of Document Streams},
author = {Federica Granese and Serena Villata and Charles Bouveyron},
journal= {arXiv preprint arXiv:2510.18786},
year = {2025}
}
备注
Under review