2018 A Sparse Topic Model for Extracting Aspect-Specific Summaries from Online Reviews 稀疏主题模型学习笔记
- 论文来源
- 文章介绍
- 模型及推理
- 关于源码
论文来源
Rakesh V, Ding W, Ahuja A, et al. A Sparse Topic Model for Extracting Aspect-Specific Summaries from Online Reviews[C]//Proceedings of the 2018 World Wide Web Conference on World Wide Web. International World Wide Web Conferences Steering Committee, 2018: 1573-1582.
论文来来自于2018年WWW会议。学习该模型主要是为了看稀疏性先验。如果文章看的多的话，就会发现作者的模型就是有其他文章的模型的一部分，拼凑起来的。具体的抽样都没怎么变。
对于作者的描述，本人看的并不是很细致。但模型部分以及推理部分重点看了一些。
文章介绍
在线评论是消费者制定决策的重要组成部分，消费者是否会购买不仅取决于产品的总体评分，也取决于描述的方面。电子商务网站鼓励消费者写高质量的评论并对产品的不同方面进行总结。例如，玩家可能会感兴趣购买具有快速刷新率的监视器，并支持Gsync和FieleSyc技术，而摄影师可能对诸如颜色深度和精度等方面感兴趣。作者提出了一个提取挖掘评论中描述方面的模型。
以下这几篇文章的组合，拼凑起来了作者的模型。但该模型还是很好借鉴意义的，尤其是做管理的研究者。
[1]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. 16年KDD的文章
[2]Zuo Y, Wu J, Zhang H, et al. Topic modeling of short texts: A pseudo-document view[C]//Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining. ACM, 2016: 2105-2114. 14年KDD的文章
[3]Petterson J, Buntine W, Narayanamurthy S M, et al. Word features for latent dirichlet allocation[C]//Advances in Neural Information Processing Systems. 2010: 1921-1929. 10年NIPS上的文章
模型及推理
关于源码
作者提供了python源码，源码地址为:https://github.com/VRM1/WWW18。但所给的源码并不全，所以无法直接运行。这篇文章的唯一收获就是可以通过Word features for latent dirichlet allocation这篇文章提供的方法限制词控制，关于该部分的抽样，可以通过该源码学习。关于spike-and-slab prior辅助参数学习变量的方式，可以参考《Topic modeling of short texts: A pseudo-document view》这篇文章提供了Java版的源码。
2018 A Sparse Topic Model for Extracting Aspect-Specific Summaries from Online Reviews 稀疏主题模型学习笔记相关推荐
- 【带你玩转主题模型Topic Model】—— 之 利用sklearn 实现Latetnt Dirichlet Allocation(LDA)主题模型
写在前面的话 9月份的第一篇blog, 正好是开学季,作为一个学生,hahahha, 我还是正正经经的贡献一篇认为比较干货的文章给大家吧. 我自己是花了很多时间去看懂LDA的算法了,当然了这篇文章不涉 ...
- 双稀疏主题模型(Dual-Sparse Topic Model)编程实现中的细节 Java
本文作者:合肥工业大学 电子商务研究所 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. 文章目录 论文来源 相关介绍 单稀疏模型 双稀 ...
- JST ：Joint sentiment topic model ASUM ：Aspect sentiment unification model
Joint sentiment /topic model JST模型从文本检测情感和主题 之前的工作缺点:基于机器学习的情感分类需要大量的人工标记: 一个领域训练的情感分类模型不能很好地应用于另一个 ...
- 【2018深信服 醒狮计划】《Linux命令行与Shell脚本编程大全》学习笔记
2018深信服"醒狮计划"笔记 第3周(5.02-5.13) 课程 必修 选修 基本要求 Shell编程 <Linux命令行与Shell脚本编程大全> <Perl ...
- LDA︱基于LDA的Topic Model变形+一些NLP开源项目
一.LDA的变形 转载于:转:基于LDA的Topic Model变形 Topic Model最适合的变种是加入先验信息: 我相信题主使用的是完全无监督的Topic Model,然而这实在是过于不wor ...
- 【FLOW学习笔记】流模型（Flow-based Model）详解
完整笔记:http://www.gwylab.com/note-flow_based_model.html 李宏毅老师的视频教程:/www.bilibili.com/video/av46561029/ ...
- Topic model相关文章总结
基础类主题模型 Hofmann T. Probabilistic latent semantic indexing[C]//Proceedings of the 22nd annual interna ...
- Biterm Topic Model（BTM）的python 实现
前言 最近在看话题模型相关的论文.有关话题模型现在比较主流的解决方法有LDA,PLSA以及mixture of unigrams,本人研究了LDA(Latent Dirichlet Allocatio ...
- Topic Model
基于LDA的Topic Model变形 最近几年来,随着LDA的产生和发展,涌现出了一批搞Topic Model的牛人.我主要关注了下面这位大牛和他的学生: David M. BleiLDA的创始者, ...
最新文章
- a_2可以用作python标识符嘛,【单选题】下列选项中，可作为Python标识符的是哪项? A. getpath() B. throw C. my#var D. _ My_price...
- HSV RGB颜色空间互转
- Linux 技巧：让进程在后台可靠运行的几种方法（转）
- Latex数学符号对应表
- zend studio 7.2.0怎么创建项目
- gradle构建java实例_Gradle构建Java应用程序
- 【整理总结】代码沉淀 - Caliburn.Micro - MV*模式短小精悍的框架
- Linux性能优化实战：CPU的上下文切换是什么意思（03）
- 带叉叉的GridView
- android 15.6寸平板,关于HUAWEI 华为M6 10.8英寸平板的槽点，不吐不快
- 【Windows】 rundll32.exe 在 Windows10 上的应用
- [渝粤教育] 西南科技大学 信息组织与检索 在线考试复习资料2021版
- 将vscode打造成无敌的IDE（1）初步探索vscode，解放生产力
- Win10 win11 同一个Wifi网络(其实不是) 网络共享找不到对方主机办法
- python编程趣味试题_Python趣味编程-中国大学mooc-试题题目及答案
- 2021湖南高考成绩分段查询,2021湖南高考成绩查询系统入口
- 无线AP的7种工作模式
- Python《成功破解简单的 动态加载 的爬虫》
- Hbuilder-在线pdf预览
- idm显示您正在使用一个假冒的序列号_最强下载神器IDM的安装和使用