Аддитивная регуляризация тематических моделей для выделения полных наборов тем в коллекциях текстовых документов

Вероятностное тематическое моделирование ——- это метод статистического анализа набора текстовых документов на основе EM-алгоритма, выявляющий тематическую структуру коллекции документов, а так же сжато описывающий семантику каждого документа. Фактически метод представляет собой задачу стохастического матричного разложения, которая в общем случае не имеет однозначного решения. При построении моделей на одних и тех же данных получаются различные разложения, что ставит вопрос о проблеме устойчивости тематических моделей. Тем не менее, фильтрация тем, найденных при построении большого числа моделей, позволяет обнаружить базовый набор тем. Тем, выпуклые линейные комбинации которых выражают остальные возможные темы. Проблема полноты ставит вопрос о возможности нахождения максимального числа тем из базового набора при построении лишь одной тематической модели. В данной работе с помощью экспериментов на синтетических данных построен базовый набор тем и показано, что существует стратегия подбора регуляризаторов тематической модели, приводящая к повышению полноты модели.