FASTopic: A Fast, Adaptive, Stable, and Transferable Topic Modeling Paradigm

主题模型在过去几年中不断发展，从传统模型到最近的神经模型。然而，现有的主题模型通常在效果、效率或稳定性方面存在困难，严重阻碍了它们的实际应用。本文提出了FASTopic，一种快速、自适应、稳定和可转移的主题模型。FASTopic遵循一种新的范式：双语义关系重构（DSR）。DSR通过对文件、主题和单词嵌入之间的语义关系进行建模，通过重构发现潜在主题，而不是以前的传统、神经VAE或基于聚类的方法。这带来了一个简洁高效的主题建模框架。我们进一步提出了一种新颖的嵌入传输计划（ETP）方法。ETP明确地将语义关系规范为最优传输计划，而不是早期的简单方法。这解决了关系偏差问题，从而导致有效的主题建模。对基准数据集的广泛实验表明，与各种场景下的最先进基线相比，我们的FASTopic显示出卓越的效果、效率、适应性、稳定性和可转移性。我们的代码可在https://github.com/bobxwu/FASTopic上找到。

论文旨在提出一种快速、自适应、稳定和可传递的主题模型，解决现有主题模型在效果、效率或稳定性方面存在的问题，以提高其实际应用性。

FASTopic提出了一种新的双语义关系重建（DSR）方法来发现潜在的主题，通过对文档、主题和词嵌入之间的语义关系进行建模来进行重建，从而实现了一个简洁高效的主题建模框架。论文进一步提出了一种新颖的嵌入传输计划（ETP）方法，将语义关系明确规范为最优传输计划，以解决关系偏差问题，从而实现有效的主题建模。

论文通过对基准数据集的广泛实验表明，FASTopic在各种情况下都比现有的基准线表现出卓越的效果、效率、自适应性、稳定性和可传递性。论文代码可在https://github.com/bobxwu/FASTopic上获得。

最近在该领域中的相关研究包括：1.基于VAE的主题模型；2.基于聚类的主题模型；3.基于神经网络的主题模型。