摘要

从大规模文本语料中挖掘出一组以层次结构组织的有意义主题，具有直观的吸引力，因为主题之间的相关性在海量文本中普遍存在。为建模潜在的层次化主题结构，层次化主题模型通过在生成建模过程中引入隐含的主题层次结构，对传统平面主题模型进行了扩展。然而，由于其完全无监督的特性，所学习到的主题层次结构往往与用户的特定需求或兴趣存在偏差。为在最小程度用户干预的前提下引导层次化主题发现过程，我们提出了一项新任务——层次化主题挖掘（Hierarchical Topic Mining），该任务仅以类别名称构成的类别树作为输入，旨在从文本语料中为每个类别挖掘出一组代表性词汇，以帮助用户理解其感兴趣的主题。为此，我们提出一种新颖的联合树结构与文本嵌入方法，并设计了一套合理的优化流程，能够在球面空间中同时建模类别树的结构特征与语料的生成过程，从而实现高效的类别代表性词汇发现。大量实验结果表明，我们提出的模型——JoSH，在高效挖掘高质量层次化主题方面表现优异，并显著提升了弱监督层次化文本分类任务的性能。