.png){kind=icon}
返回
Simultaneous Hierarchical Topic Selection and Initialization for Latent Nested Dirichlet Allocation
.png){kind=icon}
OA
AI
DOI：10.1080/08839514.2026.2731990.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种统一框架，同时解决了Latent Dirichlet Allocation（LDA）的三个关键局限性：(1) 无法建模主题相关性，(2) 对初始化敏感，(3) 难以选择最优主题数量。尽管LDA在主题建模中广泛应用，但对其局限性的重要性缺乏研究关注。为此，我们引入了一种基于Nested Dirichlet分布的层级主题模型，称为Latent Nested Dirichlet Allocation（LNDA）。我们的新颖框架包括推导LNDA的完整变分EM推理，采用新颖的Hessian分解，并在层级NDD结构中整合了修剪/分裂初始化与RPC-based主题选择。因此，它能够在初始化模型的同时，基于困惑度和困惑度变化率分别选择最优主题数量。这是通过迭代修剪低概率主题或分裂过于宽泛的主题实现的。层级特性使主题以嵌套结构出现，自然提供了它们之间的相关性信息。我们的新颖框架在困惑度、连贯性和分类准确率方面分别显示出约15–90%、5–125%和20–170%的平均改进，这些结果来自跨数据集的实验。
