Multilingual Dynamic Topic Model

Tutkimustuotos: Artikkeli kirjassa/raportissa/konferenssijulkaisussaKonferenssiartikkeliTieteellinenvertaisarvioitu

Abstrakti

Dynamic topic models (DTMs) capture the evolution of topics and trends in time series data. Current DTMs are applicable only to monolingual datasets. In this paper we present the multilingual dynamic topic model (ML-DTM), a novel topic
model that combines DTM with an existing multilingual topic modeling method to capture crosslingual topics that evolve across time. We present results of this model on a parallel German-English corpus of news articles and a comparable corpus
of Finnish and Swedish news articles. We demonstrate the capability of ML-DTM to track significant events related to a topic and show that it finds distinct topics and performs as well as existing multilingual topic models in aligning cross-lingual topics.
Alkuperäiskielienglanti
OtsikkoRANLP 2019 - Natural Language Processing a Deep Learning World : Proceedings
ToimittajatGalia Angelova, Ruslan Mitkov, Ivelina Nikolova, Irina Temnikova
Sivumäärä9
JulkaisupaikkaShoumen
KustantajaINCOMA
Julkaisupäivä4 syyskuuta 2019
Sivut1388-1396
ISBN (painettu)978-954-452-055-7
ISBN (elektroninen)978-954-452-056-4
DOI - pysyväislinkit
TilaJulkaistu - 4 syyskuuta 2019
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisuussa
TapahtumaRecent Advances in Natural Language Processing - Varna, Bulgaria
Kesto: 2 syyskuuta 20194 syyskuuta 2019

Julkaisusarja

NimiInternational conference Recent advances in natural language processing
ISSN (painettu)1313-8502
ISSN (elektroninen)2603-2813

Tieteenalat

  • 113 Tietojenkäsittely- ja informaatiotieteet

Siteeraa tätä