【主题建模】基于 LDA 和 BERTopic 的 COVID-19 论文内容分析

已于 2023-10-20 21:38:00 修改
阅读量3.9k 收藏 33
点赞数 12
CC 4.0 BY-SA版权
分类专栏： # 主题建模 文章标签： 自然语言处理 人工智能 主题建模 文本分析 BERTopic
于 2023-02-08 17:15:19 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/be_racle/article/details/128927164
本文利用 LDA 和 BERTopic 分析 COVID-19 论文，从社科角度揭示研究主题。通过对 CORD-19 数据集的筛选和主题建模，发现疫苗、预防措施、牙科护理、经济影响、心理健康等热门话题，以及各国研究的差异。

基于 LDA 和 BERTopic 的 COVID-19 论文内容分析

关于 COVID-19 的研究不胜枚举，截至 2022 年初，已发表了超过 800000 800000 800000 篇与 COVID-19 相关的论文。对这些论文进行梳理是一项非常具有挑战性的任务，但这可以帮助我们确定哪些领域可以更多的从研究或研究基金中受益。在本文中，我将评估这些 COVID-19 研究论文的主题，尝试揭示这些统计数据和趋势。

数据集来自 The COVID-19 Open Research Dataset (CORD-19)，该数据集包含了与冠状病毒研究或 COVID-19 大流行相关的学术论文语料库。 CORD-19 数据集旨在支持文本挖掘和 NLP 研究，并为评估 COVID-19 大流行的主题提供良好开端。

尽管获取 CORD-19 数据相对不难，但因数据质量问题仍要进行数

了解本专栏 订阅专栏 解锁全文 超级会员免费看
【主题建模】一种基于深度学习的主题建模方法：BERTopic（实战篇）
Code · Cloud · Think · Repeat
02-10 1万+
BERTopic 是基于深度学习的一种主题建模方法。2018 年底，Devlin et al. 提出了 Bidirectional Encoder Representations from Transformers (BERT)。BERT 是一种用于 NLP 的预训练策略，它成功地利用了句子的深层语义信息。
自然语言处理之话题建模：BERTopic模型详解
zhubeibei168的博客
09-21 3917
BERTopic是一种基于BERT的先进话题建模技术，它结合了BERT的语义理解能力和非参数聚类算法HDBSCAN的灵活性，能够生成高质量、语义丰富的话题。与传统的LDA（Latent Dirichlet Allocation）话题模型相比，BERTopic能够更好地捕捉文本的复杂语义结构，因为它利用了预训练的BERT模型来嵌入文本，从而在话题建模中引入了深度学习的力量。聚类是无监督学习的一种，其目标是将数据集中的样本按照相似性进行分组，每个组称为一个“簇”。
[自然语言处理]文本主题相关(TF-IDF/LDA/Sentence-BERT)
github_35614601的博客
06-16 2009
本文简单介绍了常见主题模型的原理，并利用开源库实现了简单的demo
NLP实战学习（2）：基于Bertopic的新闻主题建模
weixin_47113960的博客
06-20 9391
• 深度语义向量 + 传统聚类方法： （1）通过Bert计算得到语句的深度语义向量 （2）通过HDBSCAN进行聚簇处理 （3）通过c-tfidf进行调整聚簇的粒度并提取主题关键词链接：
大数据导论考察论文：模拟建立测控全国COVID-19流行趋势的模型
定期分享我的发现和想法，感谢你的陪伴和支持
11-12 7842
由于技术等客观因素限制，我就疫情中政府基于大数据应用，第二个方面中，通过分析卫生部门所采取措施对疫情传播所造成的影响，复盘我国抗击COVID-2019取得阶段性胜利的原因。为此，我将初步筛选全国疫情发展态势统计结果，模拟建立测控全国COVID-19流行趋势的模型。
【论文阅读】BERTopic：采用一个基于类的TF-IDF流程进行神经网络的主题建模
GW_Krystal的博客
10-16 4824
主题模型对于在文档的集合中发现潜在的主题非常有用。近期的研究已经展示了主题建模方法作为一个聚类任务的可行性。 本文展示了BERTopic，它是一个话题模型，它通过对一个基于类的TF-IDF的变体的开发，抽取一致的话题表示。 具体来说，BERTopic采用预训练的基于transformer的语言模型来产生文档的嵌入，对这些文档嵌入进行聚类，并最后利用基于类的TF-IDF过程来**产生话题的表示**。 BERTopic 产生一致的话题，并且在有关的经典模型，以及最近的聚类方法的多种多样的基准中，
自然语言处理中的主题建模技术与实际应用
# 自然语言处理中的主题建模技术与实际应用 ## 1. LDA与BERTopic对比 ### 1.1 词嵌入 - **LDA**：使用词袋（BoW）和TF - IDF文本表示方法，不考虑单词的语义含义或其出现的上下文。 - **BERTopic**：依赖预训练的...
1、ICDTA’23：数字技术与应用的前沿盛会
s8t9u0v1w的博客
06-23 45
ICDTA’23是一场聚焦数字技术与应用的国际前沿学术盛会，汇聚全球专家探讨人工智能、物联网、区块链、能源工程、工业4.0和数字医疗等领域的最新研究成果。会议收录了经过严格评审的高质量论文，涵盖从智能算法到实际产业应用的广泛主题，展示了数字技术在推动社会进步与行业变革中的关键作用，并展望了跨领域融合、智能化升级、数据安全与可持续发展的未来趋势。
主题模型(Topic Model)---LDA(Latent Dirichlet Allocation)理论+实战
weixin_44607838的博客
02-21 8455
主题模型 顾名思义，主题模型用来探寻文本背后所隐藏的主题，也可以理解为一种段落语义的挖掘。相比于TF-IDF只能从个体词汇层面给予我们文本内容的提示，主题模型能够从更宏观的角度帮助我们快速捕捉文本的核心语义。 LDA建模思路 LDA是一种比较流行的主题模型，由吴恩达等人在2003年首次提出。它可以将文档集中每篇文章的主题以概率分布的形式给出，比如，我们可以从结果找选出概率最大的5个主题作为该文档的主题描述。下面我们来快速理解一下LDA的基本建模思路。（因为LDA背后涉及大量的数学知识，如果大家想对数学细节做
LSA、pLSA、LDA、NMF、BERTopic、Top2Vec进行主题建模
Mr数据杨
01-04 5474
在自然语言处理（NLP）中，主题建模是一种技术，用于从文本数据中发现隐藏的语义主题（或主题）。这是一个无监督机器学习问题，即在没有标签或标签的情况下学习模式。主题建模的应用非常广泛，可用于搜索引擎、情感分析、新闻聚类和摘要生成等许多任务。在这里将探讨主题建模的不同方法，包括传统的统计方法和最新的基于深度学习的方法。我们还将介绍每种方法的优点和缺点，并提供端到端的 Python 示例。
BERTopic：利用BERT和c-TF-IDF创建易于解释的主题
02-03
伯特比 BERTopic是一种利用主题建模技术 :hugging_face: 转换程序和c-TF-IDF创建密集的群集，使主题易于理解，同时在主题描述中保留重要字词。 它甚至支持类似于LDAvis的可视化！ 相应的媒体帖子可以在找到。 安装 可以使用完成安装： pip install bertopic 要使用可视化选项，请按照以下步骤安装BERTopic： pip install bertopic[visualization] 安装错误推荐使用PyTorch 1.4.0或更高版本。 如果安装出现错误，请首先安装pytorch。 入门 要详细了解BERTopic的功能，您可以在查看完整的文档也可以Google Colab笔记本。 快速开始 我们首先从著名的20个新闻组数据集中提取主题，该数据组由英文文档组成： from bertopic import BERTopic from sklearn . datasets import fetch_20newsgroups docs = fetch_20newsgroups ( subset = 'all' , remove
动态TopicModel BERTopic 中文 长文本 SentenceTransformer BERT 均值特征向量 整体特征分词关键词
BigYouYou
12-01 6225
为了解决这些问题，学界提出了DTM、ETM、DETM、BERTopic等方法，其中是近年提出的热度很高的方法，它主要思路是寻找文本整体的BERT特征向量，然后对各文本特征在样本空间中做聚类，找到Topic，然后基于TF-IDF模型寻找每个Topic的关键词，最后寻找Topic在每个时间段的关键词表示。
BERTopic与LLM知识图谱系列之 主题建模：LDA、NMF、BERTopic 和 Top2Vec 之间的比较
iCloudEnd的博客
06-17 967
这项研究对各种主题建模算法的性能产生了一些有价值的见解。通过依靠人类和领域知识专业知识来评估模型，研究得出结论，BERTopic 和 NMF 是此数据集的最佳表现者，其次是 Top2Vec 和 LDA。虽然 BERTopic 和 NMF 都能够识别不同的主题，但 BERTopic 还具有发现特定术语周围相关主题的额外优势，从而提供对数据的更深入洞察。总体而言，BERTopic 在主题建模领域的所有方面都表现出色，甚至可以进一步减少主题。
主题分析利器BERTopic详解与实战应用指南（附中文案例）
最新发布
m0_64336780的博客
06-30 1万+
《BERTopic：基于深度学习的现代主题建模方法》摘要 BERTopic是一种结合Transformer预训练模型与无监督聚类算法的现代主题建模方法，解决了传统LDA模型在语义理解、短文本处理等方面的局限性。其核心流程包括：1）使用Sentence-BERT生成语义向量；2）通过UMAP降维；3）采用HDBSCAN聚类；4）利用c-TF-IDF抽取主题关键词。相比LDA，BERTopic具有更好的语义理解能力、短文本处理效果和主题一致性。实战案例展示了中文新闻主题建模全过程，包括分词、模型构建、训练及6种
[论文挑读]使用 BERTopic 改进 Twitter 中的阿拉伯语认知扭曲分类
qq_51407242的博客
03-14 932
文章旨在改善阿拉伯语推特中认知失调的分类，通过结合BERTopic主题建模技术和文本表示方法，提出了一种新的方法。该方法利用上下文主题嵌入丰富文本表示，以应对短文本数据的挑战，提高分类准确性。研究表明，利用BERTopic生成的主题信息可以有效改善认知失调分类任务的性能。
基于BERTopic模型的中文文本主题聚类及可视化
Cachel Wood的博客
03-02 4273
BERTopic是一种结合了预训练模型BERT和主题建模的强大工具。它允许我们将大规模文本数据集中的文档映射到主题空间，并自动识别潜在的主题。它背后的核心思想是通过BERT模型来捕获文档的语义信息，并然后使用主题建模技术来对这些语义信息进行聚类，从而得出主题。BERTopic是一种强大的主题分析工具，它能够自动识别文本数据中的主题，而无需预先定义主题数。通过结合BERT的语义表示和传统主题建模技术，BERTopic为主题分析任务提供了一个高效而精确的解决方案。
BERTopic：NLP主题模型的未来！
夕小瑶科技说
07-08 9401
文| ZenMoore编| 小轶以前我一直以为，主题建模(提取文档的主题词)这种机器学习时代就开始研究的基础工具，现在肯定已经到头了，虽然...有时效果可能不是那么让人满意。但突然看到一则推文：“彻底疯了！不需要预先清洗数据，就能够快速拿到质量难以置信的主题！” “NLP 主题模型的未来！”好家伙！让人又爱又恨又离不开的主题模型，终于要升华了吗？！！看了论文之后，恍然大悟...
NLP实战之BERTopic主题分析
热门推荐
m0_65609016的博客
10-21 3万+
BERTopic是一种结合了预训练模型BERT和主题建模的强大工具。它允许我们将大规模文本数据集中的文档映射到主题空间，并自动识别潜在的主题。它背后的核心思想是通过BERT模型来捕获文档的语义信息，并然后使用主题建模技术来对这些语义信息进行聚类，从而得出主题。对于大部分小伙伴而言，知道如何去使用BERTopic模型进行主题分析就足够了。所以BERTopic原理就不做过多解释了，感兴趣的小伙伴可以自己去了解一下。BERTopic是一种强大的主题分析工具，它能够自动识别文本数据中的主题，而无需预先定义主题数。
主题模型--BERTopic python解析
Andy_shenzl的博客
10-24 1万+
BERTopic是基于BERT词向量进行主题建模技术，它利用 Transformer 和 c-TF-IDF 来创建密集的集群（分类），允许轻松解释主题，同时在主题描述中保留重要词。主题模型（Topic Model）是自然语言处理中的一种常用模型，是一种无监督学习方法，它用于从大量文档中自动提取主题信息。分词可以实现处理好再进行建模，也可以定义好分词的方法在建模时传入，一般建议先分词在建模，这样可以打印中间分词结果进行检查。主题模型的核心思想是，每篇文档都可以看作是多个主题的混合，而每个主题则由一组词构成。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

大数据与AI实验室

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值