اكتشاف المواضيع المتخفية المنفصلة باستخدام الاستدلال العصبي المتغير

تم استكشاف نماذج المواضيع على نطاق واسع كنماذج مولدة احتمالية للوثائق. سعت الطرق التقليدية للإدراك إلى اشتقاقات مغلقة لتحديث هذه النماذج، ومع ذلك، كلما زادت قدرة هذه النماذج على التعبير، زاد صعوبة أداء الإدراك السريع والدقيق لأقسامها. يقدم هذا البحث بدائل عصبية لنمذجة المواضيع من خلال توفير توزيعات قابلة للتخصيص على المواضيع التي تسمح بالتدريب عن طريق الرجوع الخلفي (backpropagation) في إطار الاستدلال العصبي المتغير. بالإضافة إلى ذلك، وبمساعدة بناء الكسر العصي (stick-breaking)، نقترح شبكة متكررة قادرة على اكتشاف عدد مفتوح مبدئياً من المواضيع، مشابهة لنماذج المواضيع غير المعلمية البيزية. تظهر النتائج التجريبية على مجموعات بيانات أغاني MXM وأخبار Reuters ومجموعات 20NewsGroups فعالية وكفاءة هذه النماذج العصبية للمواضيع.