بررسی روش های مدل سازی موضوع از SVD تا یادگیری عمیق

قیمت: 46,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

بررسی روش های مدل سازی موضوع از SVD تا یادگیری عمیق

عنوان لاتین

A Survey on Journey of Topic Modeling Techniques from SVD to Deep Learning

روش های مدل سازی موضوع عمدتا برای استخراج موضوعات از مجموعه نوشته های متنی استفاده می شود. این روش ها، ساختار موضوعی پنهان را در مجموعه ای از اسناد نشان می دهد و به ایجاد راه های جدید برای مرور، جستجو و خلاصه ی آرشیوهای بزرگ متن ها کمک می کند. یک موضوع گروهی از واژگان است که اغلب با هم رخ می دهند. مدل سازی موضوع می تواند واژگان با معانی مشابه را به هم متصل کند و بین استفاده از واژگان با معانی مختلف تفاوت ایجاد کند. در اینجا ما بررسی روش های مدل سازی موضوعی شامل تخصیص پنهان دیریکله (LDA) روش های مبتنی بر غیر LDA ارائه می دهیم و دلیل طبقه بندی روش ها به LDA و غیر LDA این است که LDA از زمان شروع آن روش های مدل سازی موضوع را رعایت کرده است. ما از سه معیار طبقه بندی سلسله مراتبی برای طبقه بندی مدل های موضوعی استفاده می کنیم که عبارتند از: LDA و مبتنی بر غیر LDA، سبد واژگان یا رویکرد دنباله ای از کلمات و یادگیری بدون نظارت و یا تحت نظارت برای بررسی ما. هدف از این بررسی، کشف روش های مدل سازی موضوع از مدل تجزیه مقدار منفرد (SVD) به مدل های موضوع اخیر در یادگیری عمیق است. همچنین خلاصه ای کوتاه از مدل های موضوعی احتمالی متداول و نیز انگیزشی برای تحقیقات آینده ارائه می شود.

Topic modeling techniques have been primarily being used to mine the topics from text corpora. These techniques reveal the hidden thematic structure in a collection of documents and facilitate to build up new ways to browse, search and summarize large archive of texts. A topic is a group of words that frequently occur together. A topic modeling can connect words with similar meanings and make a distinction between uses of words with several meanings. Here we present a survey on journey of topic modeling techniques comprising Latent Dirichlet Allocation (LDA) and non-LDA based techniques and the reason for classify the techniques into LDA and non-LDA is that LDA has ruled the topic modeling techniques since its inception. We have used the three hierarchical classification criteria’s for classifying topic models that include LDA and non-LDA based, bag-of-words or sequence-of-words approach and unsupervised or supervised learning for our survey. Purpose of this survey is to explore the topic modeling techniques since Singular Value Decomposition (SVD) topic model to the latest topic models in deep learning. Also, provide the brief summary of current probabilistic topic models as well as a motivation for future research.