Sequential Text-Term Selection in Vector Space Models
向量空间模型中的序贯文本词项选择AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究一般线性回归中的文本词项筛选，手机评论为应用数据，未明确涉及所列因果、面板、宏观或金融细分方向。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
向量空间模型中的序贯文本词项选择
- 研究问题
- 使用文本解释连续变量时，如何在词与短语组成的庞大词项空间中筛选相关词项，并处理词项长度差异和高维带来的困难？
- 方法与思路
- 作者在线性回归框架下，先按词项长度将向量空间模型的词项集合划分为不同子空间，再依次筛选，并以手机消费者评论数据构造模拟和实证。
- 材料陈述的贡献
- 摘要称，作者证明了所提方法的筛选一致性；基于手机评论的模拟与真实数据分析表明，序贯筛选可通过少量步骤检出相关词项。
- 阅读关注点
- 全文应核对筛选一致性的具体含义、词项相关性的限制、各阶段筛选与停止规则，以及模拟构造和手机评论实证中的评价标准。
- 阅读边界
- 摘要未说明筛选阈值、高维规模及一致性成立的条件；少量步骤检出相关词项的结果，尚不足以判断跨文本语料的预测表现或解释稳定性。
原文摘要
Text mining has recently attracted a great deal of attention with the accumulation of text documents in all fields. In this article, we focus on the use of textual information to explain continuous variables in the framework of linear regressions. To handle the unstructured texts, one common practice is to structuralize the text documents via vector space models. However, using words or phrases as the basic analysis terms in vector space models is in high debate. In addition, vector space models often lead to an extremely large term set and suffer from the curse of dimensionality, which makes term selection important and necessary. Toward this end, we propose a novel term screening method for vector space models under a linear regression setup. We first split the entire term space into different subspaces according to the length of terms and then conduct term screening in a sequential manner. We prove the screening consistency of the method and assess the empirical performance of the proposed method with simulations based on a dataset of online consumer reviews for cellphones. Then, we analyze the associated real data. The results show that the sequential term selection technique can effectively detect the relevant terms by a few steps.