Targeted Topic Modeling for Focused Analysis(TTM的理解)
2,630 阅读
本文作者：合肥工业大学 管理学院 钱洋 email：1563178220@qq.com 内容可能有不到之处，欢迎交流。 未经本人，允许禁止转载。
我给原文作者发了几封邮件，询问一些程序及推理方面的疑问，原文作者都悉心回答了，再次表示衷心感谢。
#问题描述 这篇文章发表在16年ACM会议上，主要是对主题模型的改进。从文章的题目可以看出，该模型可以用来对关注点进行分析。Wang S, Chen Z, Fei G, et al. Targeted topic modeling for focused analysis[C]//Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. ACM, 2016: 1235-1244.
文本分析的首要任务是挖掘人们到底都谈论了哪些内容(主题)，当然这里的挖掘是基于机器学习方面的算法。而主题模型是现在比较流行的一种挖掘用户关注主题的方法。利用主题模型，可以获得用户文档的主题分布以及每个主题对应的词分布。
但现有的主题模型，却存在以下问题： (1)（full analysis on the entire corpus to discover all topics）。 (2)(generated topics are often too coarse and may not even be on target)。
作者提出的模型如上图所示。其生成过程可以描述如下： 其中，这里标红的部分是稀疏LDA的内容，如果感兴趣的话，可以关注一下两篇文章： (a)T. Lin, W. Tian, Q. Mei, and H. Cheng. The dual-sparse topic model: mining focused topics and focused terms in short text. In WWW, pages 539{550. ACM, 2014. (b)C. Wang and D. M. Blei. Decoupling sparsity and smoothness in the discrete hierarchical dirichlet process. In NIPS, pages 1982{1989, 2009. [30] H. Wang, Y. Lu, and C. Zhai. Latent aspect
