《表2 平均主题相关性 (20Newsgroups) Tab.2 Average topic relevance (20Newsgroups)》
本文模型中设置的学习率为0.002,迭代次数为300次。生成网络中设置了两层均含有100个节点的网络结构。在表1中,虽然本文模型在困惑度上没有基于Gibbs采样的LDA好,但是相较于变分推断算法,效果有所提升。同时也发现NVDM算法对实验参数和实验环境的要求比较高,导致实现该算法结果与原论文有一定的差距。从表2可以看出本文的模型优于DMM,并且比另一个基于变分自动编码器的ProLDA模型效果稍微好些。表3是在中文数据集上的实验,也取得了较好的结果。在实验中也更加验证了基于变分自动编码器的主题模型方法的时间性能普遍优于其他方法。
图表编号 | XD0024039900 严禁用于非法目的 |
---|---|
绘制时间 | 2018.11.01 |
作者 | 张青、韩立新、勾智楠 |
绘制单位 | 河海大学计算机与信息学院、河海大学计算机与信息学院、河海大学计算机与信息学院 |
更多格式 | 高清、无水印(增值服务) |