BMC Bioinformatics· 2015Q1
Konu modellemesinde uygun konu sayısını belirlemek için bir sezgisel yaklaşım
A heuristic approach to determine an appropriate number of topics in topic modeling
- 393atıf
- Q1SCImago
- 2015yıl
Kısa özet
Konu başına düşen istatistiksel karmaşıklığın değişim oranına (RPC) dayanan yeni bir sezgisel yöntem, Latent Dirichlet Allocation (LDA) modellerinde en uygun konu sayısını etkili bir şekilde tahmin ederek kapsamlı manuel değerlendirme ihtiyacını azaltır.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Konu sayısını belirlemek için istatistiksel karmaşıklığın değişim oranına (RPC) dayanan sezgisel bir yöntem önerilmiştir.
- RPC yöntemi, öznel değerlendirmelere ve kapsamlı hassasiyet çalışmalarına daha verimli bir alternatif sunar.
- Yöntem, Salmonella dizileme, farmakolojik yan etkiler ve hesaplamalı biyoloji özetleri olmak üzere üç farklı veri kümesi üzerinde başarıyla test edilmiştir.
- Yaklaşım, farklı türdeki ve boyuttaki veri kümeleri arasında kararlı ve etkili olmuştur.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
BACKGROUND: Topic modelling is an active research field in machine learning. While mainly used to build models from unstructured textual data, it offers an effective means of data mining where samples represent documents, and different biological endpoints or omics data represent words. Latent Dirichlet Allocation (LDA) is the most commonly used topic modelling method across a wide number of technical fields. However, model development can be arduous and tedious, and requires burdensome and systematic sensitivity studies in order to find the best set of model parameters. Often, time-consuming subjective evaluations are needed to compare models. Currently, research has yielded no easy way to choose the proper number of topics in a model beyond a major iterative approach. METHODS AND RESULTS: Based on analysis of variation of statistical perplexity during topic modelling, a heuristic approach is proposed in this study to estimate the most appropriate number of topics. Specifically, the rate of perplexity change (RPC) as a function of numbers of topics is proposed as a suitable selector. We test the stability and effectiveness of the proposed method for three markedly different types of grounded-truth datasets: Salmonella next generation sequencing, pharmacological side effects, and textual abstracts on computational biology and bioinformatics (TCBB) from PubMed. CONCLUSION: The proposed RPC-based method is demonstrated to choose the best number of topics in three numerical experiments of widely different data types, and for databases of very different sizes. The work required was markedly less arduous than if full systematic sensitivity studies had been carried out with number of topics as a parameter. We understand that additional investigation is needed to substantiate the method's theoretical basis, and to establish its generalizability in terms of dataset characteristics.
Yazarların özeti; kaynağından alınmıştır. BMC Bioinformatics, 2015 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Genel Sosyal Bilimler
General Social SciencesSocial Sciences