English(EN) Topic model based on co-occurrence word networks for unbalanced short text datasets

新CWUTM模型在短文本中发现稀有主题方面表现出色

作者 PulseAugur 编辑部 · [1 个来源] · 2026-07-13 04:00

研究人员开发了一种名为CWUTM的新主题建模方法，旨在有效识别非平衡短文本数据集中稀有主题。该方法利用共现词网络捕获词语主题分布，并重新定义节点活动计算以提高对低频主题的敏感度。CWUTM旨在减轻偶然词语共现的影响，从而提高对新兴或意外主题的检测能力，尤其是在社交媒体平台上。该模型采用与LDA类似的方法进行Gibbs采样，以实现广泛的适用性。 AI

影响这种新的主题建模方法可以提高在大量短文本数据中识别小众或新兴趋势的准确性。

排序理由该集群包含一篇详细介绍新主题建模模型的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.CL TIER_1 English(EN) · Chengjie Ma, Junping Du, Meiyu Liang, Zeli Guan · 2026-07-13 04:00

Topic model based on co-occurrence word networks for unbalanced short text datasets

arXiv:2311.02566v2 Announce Type: replace Abstract: We propose a straightforward solution for detecting scarce topics in unbalanced short-text datasets. Our approach, named CWUTM (Topic model based on co-occurrence word networks for unbalanced short text datasets), addresses the …

报道来源 [1]

Topic model based on co-occurrence word networks for unbalanced short text datasets

相关实体

相关话题