提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档
文章目录
前言
这里主要介绍一篇发表在管理学领域顶刊Information Systems Research的论文。这篇研究中,作者在深度学习的基础上开发了一种监督主题建模方法,对现有的主题建模方法如LDA,GSM等方法进行扩展。
首先让我们介绍一下主题模型,主题建模(Topic Modeling)是自然语言处理和文本挖掘领域中的一种技术,用于从大量文档集合中自动识别出潜在的主题(如将1000篇新闻分类到体育、科技等主题下)。主题建模能够帮助组织、理解和总结大规模的文本数据,使得用户能够把握文档集合中的主要内容和结构。
传统的主题模型是通过学习以下两个分布函数实现的:
- p ( t ∣ d ) p(t|d) p(t∣d): 给定文档下主题的分布;
- p ( w ∣ t ) p(w|t) p(w∣t):给定主题的前提下单词的分布。
本研究的核心思想是在传统主题模型的基础上引入监督信号。具体如下图:
传统的主题建模方法主要采用两种路径解决问题: p 1 p_1 p1和 p 2 p_2 p2。其中, p 1 p_1 p1路径基于LDA方法,得到文档到主题的分布及主题到单词的分布映射关系,再基于这些映射关系进行计量学研究或深度学习研究。
本研究提出的方法可以直接将深度学习的分类标签( Z Z Z)作为信号,用于端到端的训练,即路径 p 4 p_4 p4。这意味着在现有的深度学习框架中引入主题模型;从另一个角度来看,这也是利用分类标签 Z Z Z来指导主题模型进行更精准的主题提取。
这样的方法不仅提高了主题模型的相关性和精确性,还增强了模型在特定任务上的应用潜力,实现了从数据到洞察的更高效转化。
下面我们直接对方法进行介绍。
一、数学推理
1.1 简单的变分主题模型回顾
在这个研究中,作者将一个文档用 d d d进行标注,文档包含 N d N_d Nd个单词, { x 1 , x 2 , . . . x N d } \{ x_1, x_2, ... x_{N_d} \} { x1,x2,...xNd}。
向量 d \mathbf{d} d是文档 d d d的词袋向量表示,其中维度是词汇表大小 ∣ V t o p i c ∣ |V_{topic}| ∣Vtopic∣。其中, ∣ V t o p i c ∣ |V_{topic}| ∣Vtopic∣指的是所有文档中所有单词的个数。这个向量的第 i i i个维度的值是第 i i i个维度对应的单词在文档 d d d中出现的次数。
我们使用潜在变量 t ∈ R K t∈\mathbb{R}^K t∈RK表示文档 d d d的主题比例,其中 K K K为潜在主题的个数。
主题变量 z n z_n zn被分配给单词标记 x n x_n xn。神经主题模型假设先验分布来指导生成过程,并使用VAE来近似潜在变量t。用神经网络参数化多项主题分布可以消除预定义分布来指导生成过程的需要。VAE的推理网络(编码器)对输入文本进行变换,令其成为一个潜在的表示。我们使用两个多层感知器(mlp)计算变分逼近,该感知器将文档作为输入,然后输出高斯分布的均值和方差。
数学表达会更加的清晰。在给定文档 d d d的前提下,计算对应于这个文档的均值和方差,如下:
μ ϕ ( d ) = g 1 ( d ) log Σ ϕ ( d ) = g 2 ( d ) \begin{gathered} {\mu _\phi }({\mathbf{d}}) = {g_1}({\mathbf{d}}) \\\\ \log {\Sigma _\phi }({\mathbf{d}}) = {g_2}({\mathbf{d}}) \\ \end{gathered} μϕ(d)=g1(d)logΣϕ(d)=g2(d)
g 1 g_1 g1和 g 2 g_2 g2是两个前向传播向量,其参数是 Φ \Phi Φ。
有了均值和方差后我们调用前面提到的重参数技巧,得到主题分布 t t t :
q Φ ( t ∣ d ) = N ( μ ϕ ( d ) , Σ ϕ ( d ) 2 ) q Φ ( t ∣ d ) = μ ϕ ( d ) + Σ ϕ ( d ) × ϵ , ϵ ∼ N ( 0 , 1 ) \begin{gathered} {q_\Phi }(t|{\mathbf{d}}) = \mathcal{N}({\mu _\phi }({\mathbf{d}}),{\Sigma _\phi }{({\mathbf{d}})^2}) \\ {q_\Phi }(t|{\mathbf{d}}) = {\mu _\phi }({\mathbf{d}}) + {\Sigma _\phi }({\mathbf{d}}) \times \epsilon,\quad \epsilon\sim \mathcal{N}(0,1) \end{gathered} qΦ(t∣d)=N(μϕ(d),Σϕ(d)2)qΦ(t∣d)=μϕ(d)+Σϕ(d)×ϵ,ϵ∼N(0,1)
生成网络(解码器)将潜在表示重建回原始输入。取生成的主题-文档分布 t t t生成文档 d d d为 z n ∼ M u l t i ( t ) , x n ∼ M u l t i ( β z n ) z_n \sim Multi(t), x_n \sim Multi(βzn) zn∼Multi(t),xn∼Multi(βzn),其中 b b b为单词上的主题分布,即 β i j ∈ p ( w j ∣ t i ) β_{ij}∈p(w_j|t_i) βij∈p(wj∣ti), w j w_j wj为词汇 V t o p i c V_{topic} Vtopic中的第 j j j个单词, t i t_i ti为第 i i i个主题。该生成过程中涉及的所有参数用 Θ Θ Θ表示。在NTM的参数推断中,推导了 l o g p ( d ) logp(d) logp(d)的证据下界(ELBO)作为反向传播的目标函数,通过最大化ELBO,可以通过梯度上升有效地学习参数。这里和我们之前的博客推导的变分自动编码器是一致的,就不再在这里再介绍了。
1.2 监督深度主题模型
假设数据集中的文档 d d d与辅助标签 l d l_d ld(即 Z Z Z)相关联,辅助标签 l d l_d