English(EN) TopicMerge: A Divide and Conquer Approach to Topic Modeling

TopicMerge 结合了 LLM 和高效聚类技术，实现了可扩展的主题建模

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-15 04:00

研究人员推出了一种名为 TopicMerge 的新颖两阶段流水线，该方法通过结合高效聚类和大型语言模型（LLM）的强大功能来改进主题建模。该方法首先将文档分割成大量小型聚类，然后对其进行语义标记。随后，LLM 基于局部上下文迭代地合并这些微聚类，从而在显著降低计算成本的同时实现了最先进的性能。实验表明，与传统的文档级方法相比，TopicMerge 可将 LLM 调用次数减少 92% 以上，为主题分析提供了更具可扩展性和效率的解决方案。 AI

影响提供了一种计算效率更高的方法来使用 LLM 进行主题建模，有可能在大规模文本分析中得到更广泛的应用。

排序理由该集群包含一篇详细介绍新主题建模方法的学术论文。[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 →

本文如何被排名

Signal score: 16 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍新主题建模方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, infra; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CL TIER_1 English(EN) · Matthew Raffel, Lizhong Chen, Sai Munikoti, Sameera Horawalavithana · 2026-10-15 04:00

TopicMerge：一种分而治之的主题建模方法

arXiv:2610.19323v1 Announce Type: new Abstract: Recent advancements in topic modeling have split into two main paths: efficient embedding-based methods that offer scalability but are often outperformed on standard clustering metrics, and Large Language Model (LLM) approaches that…

本文如何被排名

报道来源 [1]

TopicMerge：一种分而治之的主题建模方法

相关实体

相关话题