标题： 时间上的主题建模非参数混合模型 显示英文标题

标题： A non-parametric mixture model for topic modeling over time

摘要： 一个单一的、静态的主题模型，如潜在狄利克雷分布，不适合建模跨越长时间段的语料库，因为主题的流行度可能会随时间变化。 已经提出了许多包含时间因素的模型，但通常它们要么表现出有限的时间变化形式，要么需要计算成本高昂的推断方法。 在本文中，我们提出了非参数时间主题（npTOT），这是一种用于随时间变化的主题的模型，它允许无限数量的主题，并且在这些主题的流行度的时间变化上具有灵活的分布。 我们为所提出的模型开发了一个折叠吉布斯采样器，并在合成和真实文档集上与现有模型进行了比较。 显示英文摘要

摘要： A single, stationary topic model such as latent Dirichlet allocation is inappropriate for modeling corpora that span long time periods, as the popularity of topics is likely to change over time. A number of models that incorporate time have been proposed, but in general they either exhibit limited forms of temporal variation, or require computationally expensive inference methods. In this paper we propose non-parametric Topics over Time (npTOT), a model for time-varying topics that allows an unbounded number of topics and exible distribution over the temporal variations in those topics' popularity. We develop a collapsed Gibbs sampler for the proposed model and compare against existing models on synthetic and real document sets.