Topic Modeling Analysis of Aviation Accident Reports: A Comparative Study between LDA and NMF Models

在现代世界中，航空安全至关重要，人们不断致力于减少事故并提高安全标准。这项努力的核心是分析航空事故报告，这些富含见解的文本资源揭示了航空事故背后的原因和促成因素。本文比较了两种著名的主题建模技术——潜在狄利克雷分配（LDA）和非负矩阵分解（NMF）在航空事故报告分析中的应用。该研究利用了国家运输安全委员会（NTSB）数据集，其主要目标是自动化和简化识别事故报告中潜在主题和模式的过程。主题连贯值（C_v）度量用于评估生成主题的质量。LDA表现出更高的主题连贯性，表明主题内的单词之间具有更强的语义相关性。同时，NMF在生成独特和细粒度的主题方面表现出色，使得对航空事故的特定方面进行更集中的分析成为可能。

比较LDA和NMF在航空事故报告分析中的效果，以自动化和简化识别事故报告中潜在主题和模式的过程。

使用NTSB数据集，比较LDA和NMF的主题一致性和细节程度。LDA主题一致性更高，NMF能够产生更具有区分度和细节的主题。

使用C_v度量评估主题质量，比较LDA和NMF的效果。实验使用NTSB数据集。LDA主题一致性更高，NMF能够产生更具有区分度和细节的主题。

最近的相关研究包括：1. “A Comparison of LDA and NMF for Topic Modeling in Twitter” 2. “Comparing LDA and NMF Topic Models on Similarity-Based Retrieval Tasks”