连接破碎主题：使神经主题模型与标签和作者对齐
信息检索
2025-02-10 v2 计算与语言
机器学习
摘要
主题模型是从大型文档集合中提取语义信息的流行方法。然而，最近的研究表明，这些模型生成的主题通常与人类意图不一致。尽管标签和作者信息等元数据是可用的，但尚未有效地将其纳入神经主题模型中。为了解决这一差距，我们引入了FANToM，一种新颖的使神经主题模型与标签和作者信息对齐的方法。FANToM允许在可用时包含这些元数据，生成可解释的主题以及每个主题的作者分布。我们的方法通过学习标签、主题和作者之间的对齐，比传统主题模型表现出更强的表达能力。实验结果表明，FANToM在主题质量和对齐方面都改进了现有模型。此外，它还能识别作者的兴趣和相似性。
引用
@article{arxiv.2410.18140,
title = {Tethering Broken Themes: Aligning Neural Topic Models with Labels and Authors},
author = {Mayank Nagda and Phil Ostheimer and Sophie Fellenz},
journal= {arXiv preprint arXiv:2410.18140},
year = {2025}
}