文件名称：sDTM：用于文本分析的监督贝叶斯深度主题模型-研究论文
文件大小：841KB
文件格式：PDF
更新时间：2024-06-09 13:04:01
Topic Modeling Variational Inference Supervised
潜在的狄利克雷分配（LDA）等主题建模方法是用于分析大量文本数据的强大工具。 它们已广泛用于信息系统和管理研究中，以识别潜在的主题以进行数据探索，并作为特征工程机制来导出新变量以进行其他分析。 但是，现有的主题建模方法大多是无监督的，仅利用文本数据，而忽略了通常与文本相关的其他有用信息，例如客户评论中的星级或在线讨论论坛中的评论类别。 结果，提取的主题和基于学习的主题向量得出的新变量可能不准确，这可能导致对随后的计量经济学分析的估计有偏差或不正确，并且在预测任务中的表现不佳。 作为回应，我们提出了一种称为sDTM的新型监督主题建模方法，该方法以贝叶斯深度学习方式设计，同时并入了其他有用数据。 与传统主题建模方法相比，sDTM具有三个主要优势。 首先，它学习定量和定性测量的高质量主题，这可以帮助减轻对计量经济分析中潜在测量误差的担忧。 其次，这种有监督的学习模型比最先进的基准具有明显优越的预测性能。 最后，sDTM能够突出显示对结果有更强影响的单词，从而有助于透明的模型调查。 在三个数据集上的实验结果表明，sDTM不仅改善了监督学习任务，包括分类和回归，而且还表现出更好的模型拟合性（例如，较低的困惑度），有助于文档理解。 sDTM为IS和管理文献提供了方法论上的贡献，并且与使用大数据分析的研究具有直接相关性。