Topics extraction in incremental short texts based on LSTM

Mit der Entwicklung der sozialen Medien im Internet ist das Thema Extraktion von Kurztexten zu einem wichtigen Forschungsfeld geworden. Wie man das Thema, insbesondere neue Themen, die nicht erkannt wurden, aus zunehmenden und aktualisierten Kurztexten extrahieren kann, hat die Aufmerksamkeit von Wissenschaftlern auf sich gezogen. Dieser Aufsatz konzentriert sich auf die Konstruktion eines Systems auf der Grundlage des Langzeit-Kurzzeitgedächtnisses (LSTM) im Deep Learning. Erstens wird der kurze Text durch das word2vec-Modell in eine Wortvektormatrix umgewandelt. Danach wurden zwei auf dem LSTM-Modell basierende Modelle entworfen. Eines wird verwendet, um zu erkennen, ob der Text zu einem bestehenden Thema gehört oder zu einem neuen, das andere identifiziert, ob zwei Textbeispiele zum selben Thema gehören oder nicht. Schließlich wird ein hierarchisches Clustermodell verwendet, um die Anzahl neuer Themen auf Grundlage der Output-Informationen der beiden LSTM-Modelle zu ermitteln. Die experimentellen Ergebnisse zeigen, dass das in diesem Aufsatz konstruierte System neue Textthemen gut identifizieren und eine gute Algorithmenperformance erzielen kann.