【论文笔记 3】Hierarchical Topic Mining via Joint Spherical Tree and Text Embedding（KDD20）

最新推荐文章于 2023-06-14 16:51:09 发布
最新推荐文章于 2023-06-14 16:51:09 发布
阅读量601 收藏 3
点赞数 1
分类专栏： NLP 文章标签： 算法 kdd 概率论 自然语言处理 nlp
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/NEU_XXQ/article/details/114630743
版权

Hierarchical Topic Mining via Joint Spherical Tree and Text Embedding

通过联合球形树和文本进行层次主题挖掘

论文题目

作者：Yu Meng1∗ , Yunyi Zhang1∗ , Jiaxin Huang1 , Yu Zhang1 , Chao Zhang2 , Jiawei Han1

作者单位：

Department of Computer Science, University of Illinois at Urbana-Champaign, IL, USA

College of Computing, Georgia Institute of Technology, GA, USA

发表会议：Proceedings of the 26th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD ’20)

发表年限： August 23–27, 2020

背景 Modivation

背景：带有倾向性地分层挖掘用户感兴趣的主题

解决问题：传统方法无法兼顾挖掘主题的层次性以及有针对性地挖掘用户感兴趣的主题

采用方法：构建的JoSH算法中，采用的球形空间可以很好描述文本的相似性与类别关系，采用相对位置度量类别与类别之间的关系

传统方法

最低0.47元/天 解锁文章
NEU_XXQ
关注
专栏目录
Spherical Text Embedding 摘要速览
Talk Is Cheap
03-12 504
https://github.com/yumeng5/Spherical-Text-Embedding https://arxiv.org/abs/1911.01196 无监督文本向量表示技术在NLP任务很重要，然而之前的文本向量表示在笛卡尔空间训练得到，这样的话 在文本相似度、文档聚类任务上，训练阶段 和 预测阶段 是有一定差距的。 为了解决这个问题，我们提出了 一种 无监督 词汇 和 段落向量...
数据搜集经验-- A Topic Model for Hierarchical Documents
BigDiaos的博客
05-18 1万+
数据搜集经验教训和daily日常
论文解读：Hierarchical Topic Mining via Joint Spherical Tree and Text Embedding（通过联合球面树和文本进行的层次主题挖掘）
拾年之璐
09-29 875
本文是知识发现与数据挖掘的大作业，主要是对论文《Hierarchical Topic Mining via Joint Spherical Tree and Text Embedding》进行分析解读。全文字数：5300+。 本文主要从以下几个方面进行解读： 1. 算法的计算任务 1.1 算法功能 1.2 输入数据的物理意义与数学表达 1.3 计算结果的物理意义与数学表达 2. 算法的具体应用 3. 与算法相关的现有算法 4. 算法解决的问题 5. 算法的计算步骤 5.1 问题定义 5.2 算法实现 6.
层次主题模型——Hierarchical LDA
zxhohai的博客
07-05 6358
在LDA主题模型提出后，其在很多领域都取得了很成功的应用，如生物信息、信息检索和计算机视觉等。但是诸如LDA之类的主题模型，将文档主题视为一组“flat”概率分布，一个主题与另一个主题之间没有直接关系，因此它们能够用于挖掘语料中蕴含的主题，但是无法发现主题之间的关联和层次。对于每一篇文档，主题层次是显而易见的，是一个由粗到细，由宽泛到具体逐渐层层递进，逐渐细化。于是，LDA的作者Blei教授在LD...
概率主题模型简介 Introduction to Probabilistic Topic Models
weixin_30444105的博客
01-30 439
此文为David M. Blei所写的《Introduction to Probabilistic Topic Models》的译文，供大家参考。 摘要：概率主题模型是一系列旨在发现隐藏在大规模文档中的主题结构的算法。本文首先回顾了这一领域的主要思想，接着调研了当前的研究水平，最后展望某些有所希望的方向。从最简单的主题模型——潜在狄立克雷分配（Latent Dirichlet Allocatio...
HTR.zip_Hierarchical Tree_hierarchical routing_htr.rar_tree_zigi
09-20
标题中的“HTR.zip_Hierarchical Tree_hierarchical routing_htr.rar_tree_zigi”揭示了主题是关于Zigbee网络中的层次化树形路由（Hierarchical Tree Routing）技术，其中“htr.rar”可能是一个包含详细实现或相关...
react-d3-tree:React组件创建交互式D3树形图
04-30
ReactD3树 React D3 Tree是一个组件，可让您利用的tree布局，以最小的设置将层次结构数据（例如，族谱，组织结构图，文件目录）表示为交互式树形图。 是否想了解v2中的更改？ 查看v2发行说明。 寻找v1？ 请...
Constructing hierarchical visual tree for discriminative image representation and classification
02-10
在这篇文章中，研究者们提出了一种新的方法来构建层次化的视觉树（Hierarchical Visual Tree, HVT），这是一种在计算机视觉领域中用于图像分类的创新技术。层次化视觉树的构建，旨在组织大量的对象类别和图像概念，...
Topic model:materials and tools
Hard Working
06-08 1630
http://www.cs.princeton.edu/~blei/topicmodeling.html Topic modeling Topic models are a suite of algorithms that uncover the hidden thematic structure in document collections. These algorithms
CatE:[WWW 2020] 通过类别名称引导文本嵌入进行区分主题挖掘
05-30
猫 用于通过 Category-Name Guided Text Embedding 进行 Discriminative Topic Mining 的源代码，发布于 WWW 2020。代码结构（尤其是文件读取和保存功能）改编自。 要求 GCC 编译器（用于编译源 c 文件）：参见。 示例数据集 我们提供了两个示例数据集，和，在论文中使用。 我们还提供了一个 shell 脚本run.sh用于编译源代码并对两个示例数据集进行主题挖掘。 您应该能够获得与论文中报告的类似的结果。 准备数据集 语料库和输入 您需要首先在datasets下创建一个目录（例如， datasets/your_dataset ）并在其中放置两个文件： 语料库的文本文件，例如datasets/your_dataset/text.txt 。 注意：在准备文本语料库时，请确保文件中的每一行都是一个文档/段落。 包含每个类别的
Topic Model的分类总结（LDA变种）
xceman1997的专栏
07-28 3522
原文地址：http://hi.baidu.com/ouyanggaoyan/item/5b5c01d4c518871cd78ed0d7#713670-tsina-1-29064-128ff9f28d958dae738be418601ffbcd Topic Model的分类总结（LDA变种） Topic models主要可以分为四大类： 1.无监督无层次
话题模型（topic model）的提出及发展历史
热门推荐
Xianling Mao的专栏
12-16 5万+
topic model 是一种应用十分广泛的产生式模型(generative model)，在IR， NLP，ML都有广泛的应用，本文将对目前已有的topic model进行分类总结，然后选择几个代表性的topic model进行较为详细的介绍，从而理解topic model 的思想，以及怎么应用。 topic model最经典的模型之一是LDA（latent dirichlet alloc
识别一切模型RAM（Recognize Anything Model）及其前身 Tag2Text 论文解读
最新发布
qq_40491305的博客
06-14 2222
因为RAM在分类、检测、分割等数据集都有覆盖，同时也有seen数据（训练数据中有的）和unseen数据（训练中没有的）的识别能力，所以作者做了一个图，体现不同识别方法的识别范围（Recognition Scope），RAM-unseen是红色，因为RAM有开集识别能力，所以是最大的。另外作者还用CLIP的Image Encoder对SAM的图片feature进行蒸馏（因为CLIP的image和text特征是对齐的），这样SAM模型在没见过的类别也会有更好的特征生成。
IJCNLP2015-Weakly Supervised Models of Aspect-Sentiment for Online Course Discussion Forums阅读笔记
lrt366的博客
08-02 387
这篇文章的启发主要是aspect和sentiment之间的联系可以设置一些规则实现。   Abstract  大量开放的在线课程 (MOOCs) 正在重新定义教育系统, 超越传统课程所构成的界限。随着在线课程的普及程度的提高, 理解和解释课程参与者的沟通需要相应的增加。在在线课程论坛帖子中确定谈话的主题或内容并推断情绪, 可以使教师干预能够满足学生的需要, 迅速解决与课程相关的问题, 并提高...
【论文笔记8】Tree-Structured Neural Topic Model (分层神经主题模型 / TSNTM)
NEU_XXQ的博客
05-15 1206
Tree-Structured Neural Topic Model 树结构的神经主题模型 论文概述 题目：Tree-Structured Neural Topic Model 作者：Masaru Isonuma1 Junichiro Mori1 Danushka Bollegala2 Ichiro Sakata1 1 The University of Tokyo 2 University of Liverpool 发表会议：ACL20 论文链接：https://www.aclweb.org/anth
2020 IJCAI 接受论文 list 分类排列（三）
u014546828的博客
08-23 1万+
2020 IJCAI 接受论文 list 分类排列（一） 2020 IJCAI 接受论文 list 分类排列（二） 2020 IJCAI 接受论文 list 分类排列（三） 目录 Main track (Machine Learning Applications) Main track (Multidisciplinary Topics and Applications) Main track (Natural Language Processing) Main track (Planning
论文笔记：Hashtag2Vec: Learning Hashtag Representation with Relational Hierarchical Embedding Model
Learning from the mistakes
11-25 1196
感想 这是一片IJCAI 2018的论文，一开始看到这个东西的时候，我感觉还是比较新的，把社交网络的hashtag和tweet的网络结构融入到embedding中，做了一个network embedding和content结合的东西。这应该是我2018年看得比较好的hashtag方面的论文了。希望后面有跟多关于这方面的论文，因为本人也是研究社交网络里面的hashtag的。目前还没有找到开源的源代...
lda有监督_我们如何将无监督的LDA更改为半监督的指导LDA
cumian8165的博客
07-15 2046
lda有监督by Vikash Singh 由Vikash Singh 我们的创业公司如何从无监督LDA转换为半监督GuidedLDA (How our startup switched from Unsupervised LDA to Semi-Supervised GuidedLDA) This is the story of how and why we had to write our...
joint autoregressive and hierarchical priors for learned image compression
04-29
联合自回归和分层先验学习图像压缩是一种基于机器学习算法的图像压缩技术。该技术的主要思想是利用自回归模型对图像的局部特征进行建模，并使用分层先验来对图像的全局特征进行建模。其目标是最大程度地减小图像压缩...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值