基于稀疏约束非负矩阵分解的主题扩散发现
信息检索
2018-07-13 v1 机器学习
机器学习
摘要
由于近期文本数据的爆发，研究者已被不同研究团体产生的日益增长的大量文章所淹没。各种学术搜索网站、引文推荐引擎与研究数据库已被创建以简化文本搜索任务。然而，研究者若不对期刊、会议、聚会与研讨会上发表的海量文章进行密集综述，仍难以识别潜在研究主题。本文中，我们考虑一种新颖的主题扩散发现技术，其将稀疏约束非负矩阵分解与广义 Jensen-Shannon 散度相结合，以帮助理解词-主题演化并识别主题扩散。我们的实验结果表明，该方法可从大型文章库中提取更显著的主题，可视化感兴趣词项与抽象主题间的关系，并进一步帮助研究者理解给定词项/主题是否已被广泛探索或新主题是否正从文献中涌现。
引用
@article{arxiv.1807.04386,
title = {Topic Diffusion Discovery based on Sparseness-constrained Non-negative Matrix Factorization},
author = {Yihuang Kang and Keng-Pei Lin and I-Ling Cheng},
journal= {arXiv preprint arXiv:1807.04386},
year = {2018}
}