[论文解读] A Bimodal Network Approach to Model Topic Dynamics
本文提出一种双模网络方法，利用潜在狄利克雷分配（LDA）和跨时间的主题比较，对科学文献中的主题动态进行建模。通过构建不同时期主题之间的相似性矩阵，并将主题演化形式化为网络变换（如诞生、消亡、合并与分裂），该方法实现了对知识领域语义变化、新颖性与动荡性的定量追踪，已在超过100年的经济思想文献中得到验证。
This paper presents an intertemporal bimodal network to analyze the evolution of the semantic content of a scientific field within the framework of topic modeling, namely using the Latent Dirichlet Allocation (LDA). The main contribution is the conceptualization of the topic dynamics and its formalization and codification into an algorithm. To benchmark the effectiveness of this approach, we propose three indexes which track the transformation of topics over time, their rate of birth and death, and the novelty of their content. Applying the LDA, we test the algorithm both on a controlled experiment and on a corpus of several thousands of scientific papers over a period of more than 100 years which account for the history of the economic thought.
研究动机与目标
- 解决传统主题建模在捕捉主题随时间动态演变方面的局限性。
- 将科学知识的演化形式化并量化为一系列主题的诞生、消亡、合并与分裂。
- 开发一种基于网络的框架，可视化并度量科学话语在时间维度上的语义转变。
- 通过新颖性、动荡性和主题更替等新型指标对主题动态进行基准测试。
- 将该方法应用于涵盖100多年历史的经济思想文献纵向语料库，以验证其经验有效性。
提出的方法
- 基于词共现模式，使用余弦相似度计算连续时间窗口中主题之间的相似性矩阵S。
- 将主题演化表示为双模（双部）网络，其中节点为时间t和t+1的主题，边的权重为相似度得分。
- 将主题演化形式化为五种理想类型：稳定性、不稳定性、合并、分裂与消亡，其定义基于相似性矩阵中非零条目的模式。
- 利用从S导出的双邻接矩阵D来建模网络结构，并检测不同时期主题之间的转换。
- 开发三个经验指标：主题更替率（出生/消亡率）、新颖性指数（基于与先前主题的低相似度）和动荡性指数（跨时间窗口的聚合变化）。
- 将该方法应用于包含超过10,000篇科学论文的经济思想语料库，使用LDA在规则时间间隔内提取主题。
实验结果
研究问题
- RQ1如何对主题动态（如主题的诞生、消亡、合并与分裂）进行形式化建模与时间量化？
- RQ2哪些指标能够有效捕捉科学领域知识演化的创新性与动荡性？
- RQ3该双模网络主题表示在多大程度上能够揭示科学话语中的结构性转变，而不仅仅是主题流行度的变化？
- RQ4与现有动态主题建模方法相比，该方法在捕捉复杂语义演化方面表现如何？
- RQ5在长期历史性的经济思想文献语料库中，主题演化呈现出何种模式？
主要发现
- 双模网络方法成功捕捉了合并与分裂等复杂主题动态，而标准LDA与DTM无法建模此类现象。
- 该方法可识别主题更替，量化主题随时间的出生与消亡速率，揭示科学活动高度波动的时期。
- 新颖性指数量化了新主题引入语义上显著不同内容的程度，数值越高表示创新性越强。
- 动荡性指数可检测领域内显著的语义重组时期，如研究焦点转移或范式变革。
- 在经济思想文献中的实证应用表明，主题演化并非线性过程，而是频繁涉及主题的重组、替换以及新主题集群的出现。
- 该框架为分析大规模序列化科学语料库中的语义演化提供了一种稳健且可扩展的方法，在捕捉动态知识变化方面优于静态主题模型。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。