Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Phân tích sự tiến hóa của các chủ đề trực tuyến dựa trên mạng lưới 'chủ đề-từ'
Tóm tắt
Phân tích sự tiến hóa của các chủ đề là một phương pháp hiệu quả để theo dõi tổng quan về sự lan tỏa của các chủ đề. Các phương pháp hiện tại đã tập trung vào hoặc sự tiến hóa cường độ của các chủ đề theo dòng thời gian hoặc lộ trình tiến hóa của tài liệu kỹ thuật. Trong bài báo này, chúng tôi nhằm mục tiêu nghiên cứu sự tiến hóa của các chủ đề từ góc độ vi mô, không chỉ nắm bắt được dòng thời gian của các chủ đề mà còn tiết lộ trạng thái của chủ đề và lộ trình tiến hóa có định hướng giữa các chủ đề. Đầu tiên, chúng tôi xây dựng một mạng từ dựa trên mối quan hệ đồng xuất hiện giữa các từ đặc trưng. Thứ hai, mô hình Phân bổ Dirichlet tiềm ẩn (LDA) được sử dụng để tự động trích xuất các chủ đề và nắm bắt mối quan hệ ánh xạ giữa các từ và các chủ đề, sau đó một mạng lưới 'chủ đề-từ' được xây dựng. Thứ ba, dựa trên mạng lưới 'chủ đề-từ', chúng tôi mô tả sự tiến hóa cường độ chủ đề theo thời gian và đo lường trạng thái của chủ đề xem xét sự đóng góp của các từ đặc trưng cho một chủ đề. Khái niệm xác suất trôi dạt của chủ đề được đề xuất nhằm xác định lộ trình tiến hóa. Kết quả thực nghiệm được thực hiện trên hai bộ dữ liệu thực tế về "COVID-19" cho thấy hiệu quả của phương pháp mà chúng tôi đề xuất.
Từ khóa
#sự tiến hóa chủ đề #mạng lưới chủ đề-từ #Phân bổ Dirichlet tiềm ẩn #COVID-19 #phân tích dữ liệuTài liệu tham khảo
Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent dirichlet allocation. Journal of Machine Learning Research, 3, 993–1022.
Blei, D., & Lafferty, J. (2006a). Correlated Topic Models. Neural Information Processing Systems, 18, 147.
Blei, D. M., & Lafferty, J. D. (2006b). Dynamic topic models. In Proceedings of the 23rd international conference on Machine learning. 113–120
Blei, D. M. (2012). Probabilistic topic models. Communications of the ACM, 55(4), 77–84.
Callon, M., Courtial, J. P., & Laville, F. (1991). Co-word analysis as a tool for describing the network of interactions between basic and technological research: The case of polymer chemsitry. Scientometrics, 22(1), 155–205.
Chen, B., Tsutsui, S., Ding, Y., & Ma, F. (2017). Understanding the topic evolution in a scientific domain: An exploratory study for the field of information retrieval. Journal of Informetrics, 11(4), 1175–1189.
Chen, J., Gong, Z., & Liu, W. (2019). A nonparametric model for online topic discovery with word embeddings. Information Sciences, 504, 32–47.
Chen, W., Lin, C., Li, J., & Yang, Z. (2018). Analysis of the evolutionary trend of technical topics in patents based on lda and hmm: Taking marine diesel engine technology as an example. Journal of the China Society for Entific and Technical Information, 37, 731–742.
Du, Y., Yi, Y., Li, X., Chen, X., Fan, Y., & Su, F. (2020). Extracting and tracking hot topics of micro-blogs based on improved latent dirichlet allocation. Engineering Applications of Artificial Intelligence, 87, 103279.
Fang, M., Chen, Y., Gao, P., Zhao, S., & Zheng, S. (2014). Topic trend prediction based on wavelet transformation. In 2014 11th Web Information System and Application Conference. 157–162. IEEE
Gao, W., Peng, M., Wang, H., Zhang, Y., Han, W., Hu, G., & Xie, Q. (2020). Generation of topic evolution graphs from short text streams. Neurocomputing, 383, 282–294.
Hofmann, T. (2001). Unsupervised learning by probabilistic latent semantic analysis. Machine Learning, 42(1–2), 177–196.
Hurtado, J. L., Agarwal, A., & Zhu, X. (2016). Topic discovery and future trend forecasting for texts. Journal of Big Data, 3(1), 7.
Jacomy, M., Venturini, T., Heymann, S., & Bastian, M. (2014). ForceAtlas2, a continuous graph layout algorithm for handy network visualization designed for the Gephi software. PLoS ONE, 9(6), e98679.
Jian, F., Yajiao, W., & Yuanyuan, D. (2018). Microblog topic evolution computing based on LDA algorithm. Open Physics, 16(1), 509–516.
Jung, S., & Yoon, W. C. (2020). An alternative topic model based on common interest authors for topic evolution analysis. Journal of Informetrics, 14(3), 101040.
Kim, S., Park, H., & Lee, J. (2020). Word2vec-based latent semantic analysis (W2V-LSA) for topic modeling: a study on blockchain technology trend analysis. Expert Systems with Applications, 152, 113401.
Liu, W., Deng, Z. H., Gong, X., Jiang, F., & Tsang, I. W. (2015). Effectively predicting whether and when a topic will become prevalent in a social network. In Proceedings of the National Conference on Artificial Intelligence
Liu, Z., Wang, X., & Bai, R. (2017). Construction and empirical research on multi-dimensional topic evolution analysis model. Information Studies: Theory & Application, 3, 18.
Lopez, C. E., & Gallemore, C. (2021). An augmented multilingual Twitter dataset for studying the COVID-19 infodemic. Social Network Analysis and Mining, 11(1), 1–14.
Manning, C. D., Schütze, H., & Raghavan, P. (2008). Introduction to information retrieval. Cambridge University Press.
Miao, Z., Du, J., Dong, F., Liu, Y., & Wang, X. (2020). Identifying technology evolution pathways using topic variation detection based on patent data: A case study of 3D printing. Futures, 118, 102530.
Song, Y., Li, A., & Quan, Y. (2018). Topics' popularity prediction based on ARMA model. In Proceedings of 2018 International Conference on Mathematics and Artificial Intelligence. 68–72
Stein, B., & Zu Eissen, S. M. (2004). Topic identification: Framework and application. In Proceedings of the International Conference on Knowledge Management. 522–531
Stevens, K., Kegelmeyer, P., Andrzejewski, D., & Buttler, D. (2012, July). Exploring topic coherence over many models and many topics. In Proceedings of the 2012 Joint Conference on Empirical Methods in Natural Language Processing and Computational Natural Language Learning. 952–961
Wang, X., & McCallum, A. (2006). Topics over time: a non-Markov continuous-time model of topical trends. In Proceedings of the 12th ACM SIGKDD international conference on Knowledge discovery and data mining. 424–433
Wang, C., Blei, D., & Heckerman, D. (2008). Continuous time dynamic topic models. In Uncertainty in Artificial Intelligence. Helsinki.
Wartena, C., & Brussee, R. (2008). Topic detection by clustering keywords. In 2008 19th International Workshop on Database and Expert Systems Applications. 54–58. IEEE
Wei, L., Jiamin, W., & Jiming, H. (2020). Analyzing the topic distribution and evolution of foreign relations from parliamentary debates: A framework and case study. Information Processing & Management, 57(3), 102191.
Whye Teh, Y., Jordan, M. I., Beal, M. J., & Blei, D. M. (2004). Sharing clusters among related groups: Hierarchical Dirichlet processes. In NIPS’04 Proceedings of the 17th International Conference on Neural Information Processing Systems. 1385–1392
Wu, H., Yi, H., & Li, C. (2021). An integrated approach for detecting and quantifying the topic evolutions of patent technology: A case study on graphene field. Scientometrics, 126(8), 6301–6321.
Wu, Q., Zhang, C., Hong, Q., & Chen, L. (2014). Topic evolution based on LDA and HMM and its application in stem cell research. Journal of Information Science, 40(5), 611–620.
Xu, H., Winnink, J., Yue, Z., Liu, Z., & Yuan, G. (2020). Topic-linked innovation paths in science and technology. Journal of Informetrics, 14(2), 101014.
Zhang, Y., Mao, W., & Lin, J. (1991). Modeling topic evolution in social media short texts. In 2017 IEEE International Conference on Big Knowledge (ICBK). 315–319. IEEE
Zhao, J., Wu, W., Zhang, X., Qiang, Y., Liu, T., & Wu, L. (2014). A short-term trend prediction model of topic over Sina Weibo dataset. Journal of Combinatorial Optimization, 28(3), 613–625.
Zhou, H., Yu, H., & Hu, R. (2017). Topic evolution based on the probabilistic topic model: A review. Frontiers of Computer Science, 11(5), 786–802.
Zhu, J., Li, X., Peng, M., Huang, J., Qian, T., Huang, J., Liu, J., Hong, R., & Liu, P. (2015). Coherent topic hierarchy: A strategy for topic evolutionary analysis on microblog feeds. International Conference on Web-Age Information Management. Springer.