Themenmodellierung mit Netzwerkregularisierung

In diesem Papier definieren wir formal das Problem der Themenmodellierung mit Netzwerkstruktur (TMN). Wir schlagen eine neuartige Lösung für dieses Problem vor, die ein statistisches Themenmodell mit einem harmonischen Regularisierer basierend auf einer Graphstruktur in den Daten regularisiert. Die vorgeschlagene Methode überbrückt die Themenmodellierung und die Analyse sozialer Netzwerke, wodurch die Stärken sowohl statistischer Themenmodelle als auch diskreter Regularisierung genutzt werden. Das Ergebnis dieses Modells fasst die Themen im Text gut zusammen, ordnet ein Thema im Netzwerk zu und entdeckt thematische Gemeinschaften. Mit konkreter Auswahl eines Themenmodells und eines graphbasierten Regularisierers kann unser Modell auf Probleme der Textmining angewendet werden, wie z. B. Autoren-Themen-Analyse, Gemeinschaftsfindung und räumliches Textmining. Empirische Experimente zu zwei verschiedenen Datengattungen zeigen, dass unser Ansatz effektiv ist, was sowohl textorientierte als auch netzwerkorientierte Methoden verbessert. Das vorgeschlagene Modell ist allgemein; es kann auf jede Textsammlung mit einer Mischung aus Themen und einer zugehörigen Netzwerkstruktur angewendet werden.