Targeted Topic Modeling for Focused Analysis(TTM的理解)

太过爱你忘了你带给我的痛 2022-06-17 06:59 105阅读 0赞

*  问题描述
 *  问题定义
 *  最简单的实现方法
 *  作者提出的模型
 *  代码

本文作者：合肥工业大学 管理学院 钱洋 email：1563178220@qq.com 内容可能有不到之处，欢迎交流。  
未经本人允许禁止转载。

我给原文作者发了几封邮件，询问一些程序及推理方面的疑问，原文作者都悉心回答了，再次表示衷心感谢。

# 问题描述 #

这篇文章发表在16年ACM会议上，主要是对主题模型的改进。从文章的题目可以看出，该模型可以用来对关注点进行分析。Wang S, Chen Z, Fei G, et al. Targeted topic modeling for focused analysis\[C\]//Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. ACM, 2016: 1235-1244.

文本分析的首要任务是挖掘人们到底都谈论了哪些内容(主题)，当然这里的挖掘是基于机器学习方面的算法。而主题模型是现在比较流行的一种挖掘用户关注主题的方法。利用主题模型，可以获得用户文档的主题分布以及每个主题对应的词分布。

但现有的主题模型，却存在以下问题：  
(1)**现有的主题模型都是针对整个数据集然后来发掘所有的主题**（full analysis on the entire corpus to discover all topics）。  
(2)**利用整个语料发掘所有主题必然带来主题粗糙，难以理解的问题，并且很多主题并不是我们的目标**(generated topics are often too coarse and may not even be on target)。

举个例子(如下图所示)：**有一个关于电子烟的tweets语料，基于该语料，利用主题模型，可以训练得到许多方面的主题。例如，获得若干关于健康的主题，获得若干个关于电子烟构造的主题，若干个关于电子烟监管的主题。然而，这些主题可能都不是我所真正关心的方面，我真正关心的是哪些主题是描述儿童的，即本文所说的targeted aspect。**  
***这便是该篇文章最大的创新点，寻找指定方面的关注，也可以说是用户关注的主题。***

![这里写图片描述][SouthEast]

# 问题定义 #

这篇文章的问题定义如下：  
模型的输入是：文本语料C，关注的目标领域(这里用一系列的用户关注的关键词表示)。例如，上图中目标领域是children，那么对应的关键词可以包括\{“children“kid”\}。这里与普通LDA的输入部分，只是多了targeted aspect这部分内容。  
模型的输出：与用户感兴趣部分有关的主题（不相关的都会过滤掉，与LDA最大的区别）。如下面的excel表格所示。

![这里写图片描述][SouthEast 1]  
![这里写图片描述][SouthEast 2]

# 最简单的实现方法 #

寻找用户关注部分相关的主题，能想到的最简单的办法是什么呢？  
**使用基本的LDA模型，寻找所有的主题对应的词分布，排序一下，获取高概率的词汇，然后再去找包含我们定义key word的主题。然而，这种结果并不令人满意。**

其原因如下：  
(1)用户并不知道所有的关键词，表示该主题。举个例子，如上面中的minors(未成年人)可能就不包含在用户自定义的关键词中。  
(2)用户可能找不到相关主题。比如说，targeted aspect is weight represented by the keyword “weight” in camera reviews.”weight” 很少被人提及，但是“the lens is so heavy” or ”its battery is light”。所以，可能找不到weight的相关主题。  
(3)尽管关键词经常出现，用户可能业没办法获取比较好的相关主题。原因是：（a）主题抑制。所关注的仅仅只是众多方面的一个方面。例如，所关注的是children这个方面，主题词像“children”，”kids”, “young” 都表现的信息量很少（2）词的入侵。关注的主题中，经常会出现非关注的主题词，使得关注的主题理解起来比较困难。

# 作者提出的模型 #

![这里写图片描述][SouthEast 3]  
作者提出的模型如上图所示。其生成过程可以描述如下：  
![这里写图片描述][SouthEast 4]  
其中，这里标红的部分是稀疏LDA的内容，如果感兴趣的话，可以关注一下两篇文章：  
(a)T. Lin, W. Tian, Q. Mei, and H. Cheng. The dual-sparse topic model: mining focused topics and focused terms in short text. In WWW, pages 539\{550. ACM, 2014.  
(b)C. Wang and D. M. Blei. Decoupling sparsity and smoothness in the discrete hierarchical dirichlet process. In NIPS, pages 1982\{1989, 2009. \[30\] H. Wang, Y. Lu, and C. Zhai. Latent aspect

这两篇文章都是使用spike-and-slab prior来控制稀疏性。那么为什么要控制稀疏性呢？这也是该篇文章的一个很重要的创新点。  
**文章的一大亮点是通过引入relevance变量r来表示跟一片文档是否与指定方面相关(targeted aspects)。存在r=0，r=1两种情况，来判断文档是否与指定的方面相关。r=0表示文档与指定方面不相关，则由一个不相关的主题产生，这个不相关的主题对应的词几乎包含所有的词。r=1表示文档与指定方面相关，则这里的单词通过稀疏性产生，其每个主题包含的单词并不是全局单词。即该篇文章认为能够区分targeted aspect和non-targeted aspects的重要词汇是非常少的。**

关于模型的推理部分，本文还没有完全会推理。如果对推理感兴趣，可以去看原文。

# 代码 #

该代码有作者提供，url链接为：[https://github.com/shuaiwanghk/TTM][https_github.com_shuaiwanghk_TTM]

[SouthEast]: /images/20220617/3c356afa11a8404aa4a0b0593304ee9f.png
[SouthEast 1]: /images/20220617/251af2dddf8e45678dbb99e12dcc8799.png
[SouthEast 2]: /images/20220617/52dca0a9212e4dfc990e7aa8667cf159.png
[SouthEast 3]: /images/20220617/a65ed9b5f437489f81ffd8712149e4b3.png
[SouthEast 4]: /images/20220617/8a014fb312904236b973049ef78551aa.png
[https_github.com_shuaiwanghk_TTM]: https://github.com/shuaiwanghk/TTM