BriefGPT - AI 论文速递
·
Evolving Voices Based on Temporal Poisson Factorization
💡
原文英文，约100词，阅读约需1分钟。
📝
内容提要
本研究提出了一种基于时间泊松因子分解（TPF）的模型，分析了30多年政治演讲数据中的主题变化和词汇演变。TPF模型通过自回归结构或随机游走模型有效揭示了美国参议院演讲中的主题演变，为政治话语分析提供了重要见解。
🎯
关键要点
-
本研究提出了一种基于时间泊松因子分解（TPF）的模型，用于分析30多年政治演讲数据中的主题变化和词汇演变。
-
TPF模型通过自回归结构或随机游走模型有效建模时间变化的潜在变量。
-
研究结果表明，TPF模型能够有效揭示美国参议院演讲中的主题演变。
-
该模型为政治话语分析提供了重要的见解。
➡️
