Twitter-网络主题模型：社交网络与文本建模的全贝叶斯处理
计算与语言
2016-09-23 v1 信息检索
社会与信息网络
摘要
Twitter 数据极其嘈杂——每条推文都简短、非结构化且使用非正式语言，这对当前的主题建模构成了挑战。另一方面，推文附带了作者身份、标签和用户 - 粉丝网络等额外信息。利用这些附加信息，我们提出了 Twitter-网络 (TN) 主题模型，以全贝叶斯非参数方式联合建模文本和社交网络。TN 主题模型采用层次化 Poisson-Dirichlet 过程 (PDP) 进行文本建模，并采用高斯过程随机函数模型进行社交网络建模。我们表明，由于其灵活性，TN 主题模型显著优于几种现有的非参数模型。此外，TN 主题模型能够实现额外的信息推断，如作者兴趣、标签分析，并导向进一步的应用，如作者推荐、自动主题标记和标签建议。需要注意的是，我们的通用推断框架可以 readily 应用于其他嵌入 PDP 节点的主题模型。
引用
@article{arxiv.1609.06791,
title = {Twitter-Network Topic Model: A Full Bayesian Treatment for Social Network and Text Modeling},
author = {Kar Wai Lim and Changyou Chen and Wray Buntine},
journal= {arXiv preprint arXiv:1609.06791},
year = {2016}
}
备注
NIPS workshop paper