基于RNN和主题模型的社交网络突发话题发现

摘要：

社交网络数据是稀疏和嘈杂的,并伴有大量的无意义话题.传统突发话题发现方法无法解决社交网络短文本稀疏性问题,并需要复杂的后处理过程.为了解决上述问题,提出一种基于循环神经网络(RNN, recurrent neural network)和主题模型的突发话题发现(RTM-SBTD)方法.首先,综合RNN和逆序文档频率(IDF, inverse document frequency)构建权重先验来学习词的关系,同时通过构建词对解决短文本稀疏性问题.其次,模型中引入针板先验(spike and slab)来解耦突发话题分布的稀疏和平滑.最后,引入词的突发性来区分建模普通话题和突发话题,实现突发话题自动发现.实验结果表明与现有的主流突发话题发现方法相比,所提 RTM-SBTD 方法在多种评价指标上优于对比算法.

关键词：社交网络、突发话题发现、主题模型、循环神经网络

所属期刊栏目：39

分类号：TP393(计算技术、计算机技术)

资助基金：国家自然科学基金资助项目No.61320106006,No.61532006,No.61772083The National Natural Science Foundation of China61320106006,61532006,61772083

在线出版日期：2018-06-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：189-198