LLM 和 GMM 增强 NLP 中代表性不足主题的聚类

研究人员开发了一种新的无监督自然语言处理（NLP）数据增强方法，该方法结合了高斯混合模型（GMM）和大型语言模型（LLM）。这种方法旨在改善文本数据集中代表性不足主题的表示，这是无监督聚类任务中的一个常见挑战。通过使用 GMM 识别少数簇，并使用 LLM 为这些簇生成合成文档，该方法提高了聚类性能和可解释性。 AI

影响 该方法可以提高 NLP 中无监督学习模型的准确性和可解释性，尤其是在主题分布不平衡的数据集上。

排序理由 该集群包含一篇详细介绍 NLP 数据增强新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

• alphaXiv
• arXiv
• CatalyzeX Code Finder for Papers
• CORE Recommender
• DagsHub
• Gaussian Mixture Models
• Gotit.pub
• Hugging Face
• Influence Flower
• Large Language Models
• Natural Language Processing
• ScienceCast

• 论文
• 其他

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