Probabilistische Themenmodelle

In diesem Artikel überprüfen wir probabilistische Themenmodelle: grafische Modelle, die verwendet werden können, um eine große Sammlung von Dokumenten mit einer kleineren Anzahl von Verteilungen über Wörter zusammenzufassen. Diese Verteilungen werden "Themen" genannt, weil sie, wenn sie an Daten angepasst werden, die herausragenden Themen erfassen, die durch die Sammlung verlaufen. Wir beschreiben sowohl endlich-dimensionale parametrische Themenmodelle als auch ihre bayesschen nichtparametrischen Gegenstücke, die auf dem hierarchischen Dirichlet-Prozess (HDP) basieren. Wir diskutieren zwei Erweiterungen von Themenmodellen für Zeitseriendaten - eine, die es den Themen ermöglicht, sich im Laufe der Zeit langsam zu ändern, und eine, die es ermöglicht, dass die angenommene Prävalenz der Themen variiert. Schließlich veranschaulichen wir die Anwendung von Themenmodellen auf nichttextliche Daten und fassen einige aktuelle Forschungsergebnisse in der Bildanalyse zusammen.