本文将介绍利用 LSA
、pLSA
、LDA
、NMF
、BERTopic
、Top2Vec
这六种策略进行主题建模之间的比较。
1.简介
在自然语言处理(NLP)中,主题建模一词包含了一系列的统计和深度学习技术,用于寻找文档集中的隐藏语义结构。
主题建模是一个无监督的机器学习问题。无监督的意思是,算法在没有标签的情况下学习模式。
我们作为人类产生和交换的大部分信息都具有文本性质。文件、对话、电话、信息、电子邮件、笔记、社交媒体帖子。在缺乏(或有限的)先验知识的情况下,从这些来源中自动提取价值的能力是数据科学中一个永恒的、无处不在的问题。
在这篇文章中,我们将讨论热门的主题建模方法,从传统的算法到最新的基于深度学习的技术。我们旨在分享对这些模型的通俗介绍,并比较它们在实际应用中的优势和劣势。
2.主题建模策略
2.1 简介
潜在语义分析(LSA,Latent Semantic Analysis
) (Deerwester¹ et al. 1990) \text{(Deerwester¹ et al. 1990)}