tailieunhanh - Báo cáo khoa học: "Efficient Tree-Based Topic Modeling"

Topic modeling with a tree-based prior has been used for a variety of applications because it can encode correlations between words that traditional topic modeling cannot. However, its expressive power comes at the cost of more complicated inference. We extend the S PARSE LDA (Yao et al., 2009) inference scheme for latent Dirichlet allocation (LDA) to tree-based topic models. | Efficient Tree-Based Topic Modeling Yuening Hu Department of Computer Science University of Maryland College Park ynhu@ Jordan Boyd-Graber lSchool and UMIACS University of Maryland College Park jbg@ Abstract Topic modeling with a tree-based prior has been used for a variety of applications because it can encode correlations between words that traditional topic modeling cannot. However its expressive power comes at the cost of more complicated inference. We extend the SparseLDA Yao et al. 2009 inference scheme for latent Dirichlet allocation LDA to tree-based topic models. This sampling scheme computes the exact conditional distribution for Gibbs sampling much more quickly than enumerating all possible latent variable assignments. We further improve performance by iteratively refining the sampling distribution only when needed. Experiments show that the proposed techniques dramatically improve the computation time. 1 Introduction Topic models exemplified by latent Dirichlet allocation LDA Blei et al. 2003 discover latent themes present in text collections. Topics discovered by topic models are multinomial probability distributions over words that evince thematic coherence. Topic models are used in computational biology computer vision music and of course text analysis. One of LDA s virtues is that it is a simple model that assumes a symmetric Dirichlet prior over its word distributions. Recent work argues for structured distributions that constrain clusters Andrzejewski et al. 2009 span languages Jagarlamudi and Daume III 2010 or incorporate human feedback Hu et al. 2011 to improve the quality and flexibility of topic modeling. These models all use different tree-based prior distributions Section 2 . These approaches are appealing because they preserve conjugacy making inference using Gibbs sampling Heinrich 2004 straightforward. While straightforward inference isn t cheap. Particularly for interactive settings Hu et al. 2011 efficient .

• Báo cáo khoa học
• Efficient Tree Based Topic Modeling
• Yuening Hu
• Long Papers
• báo cáo khoa học
• báo cáo ngôn ngữ
• ngôn ngữ tự nhiên
• Bài giảng Xử lý ngôn ngữ tự nhiên
• Xử lý ngôn ngữ tự nhiên
• Kỹ thuật lập trình
• Mô hình ngôn ngữ
• Mô hình n gram
• Dịch máy
• Phương pháp dịch máy
• Hiểu ngôn ngữ
• Phân loại tin tự động
• Tạo chí tin học
• Điều khiển học
• Truy vấn ngôn ngữ tự nhiên
• Phép dịch truy vấn ngôn ngữ tự nhiên
• Truy vấn SQL
• Văn phạm ngữ nghĩa
• Xử lý nhập nhằng ngữ nghĩa
• Xử lý ngữ nghĩa
• Phân tích ngữ nghĩa
• Biểu diễn vị từ
• Thuộc tính về sự kiện
• Thuộc tính về sự kiện
• Xử lý ngôn ngữ
• Natural Language Processing
• Ngôn ngữ lập trình
• Nhập nhằng cấu trúc
• Tri thức về ngôn ngữ
• Mô hình ngôn ngữ Google Book N grams
• Mô hình ngôn ngữ KenLM
• Phương pháp làm mịn
• Bài toán PTCP
• Phân tích cú pháp
• Cấu trúc ngữ pháp
• Phân tích cú pháp xác suất
• CKY kết hợp xác suất
• Văn phạm phi ngữ cảnh xác suất
• Hình thái học
• Gán nhãn từ loại
• Ngôn ngữ tự nhiên trong dịch máy
• Hệ thống dịch máy
• Phương pháp xây dựng bảng từ
• Tác từ
• Conditional random fields
• Nhận dạng thực thể có tên
• Đối tượng vật lý trừu tượng
• Phân lớp văn bản
• Biểu diễn nhị phân
• Ma trận từ văn bản
• Wolfram Alpha
• Trích rút thông tin
• Phương pháp Snowball