Neural Topic Modeling with Bidirectional Adversarial Training

该博客介绍了采用双向对抗训练的神经主题模型,包括编码网络、生成网络和鉴别网络的详细结构,以及高斯BAT的改进。模型通过Wasserstein-distance作为优化目标,旨在学习文档主题与单词分布之间的双向映射,适用于主题生成和文本聚类。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

双向对抗训练的神经主题模型
文章发表在ACL2020。
  1. 方法简介

    论文的模型旨在学习两个高维分布之间的双向非线性投影。模型由三个部分组成:编码网络、生成网络和鉴别网络,如图2所示:
    在这里插入图片描述

    编码网络EEE的输入是维度为VVV的文档表示dr→\overrightarrow{d_{r}}dr ,输出是维度为KKK的主题分布θr→\overrightarrow{\theta _{r}}θr VVVKKK分别表示单词数和主题数。
    生成网络GGG的输入是从迪利克雷先验随机抽出的主题分布θf→\overrightarrow{\theta _{f}}θf ,输出是维度为VVV的伪单词分布df→\overrightarrow{d_{f}}df
    鉴别网络DDD的输入是真实分布Pr→=[θr→;dr→]\overrightarrow{P _{r}}= \left [ \overrightarrow{\theta _{r}};\overrightarrow{d_{r}}\right ]Pr =[θr ;dr ]和伪分布Pf→=[θf→;df→]\overrightarrow{P _{f}}= \left [ \overrightarrow{\theta _{f}};\overrightarrow{d_{f}}\right ]Pf =[θf ;df

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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