Association Pattern Discovery Via Theme Dictionary Models
通过主题字典模型发现关联模式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：项目共现与主题发现未明确涉及网络干扰或经济结构模型，缺乏所列细分方向的直接依据。
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
通过主题字典模型发现关联模式
- 研究问题
- 如何从文本或类别型购物篮数据中发现经常共同出现的项目子集，尤其识别较弱且不易察觉的共现关系？
- 方法与思路
- 作者提出主题字典生成模型，使用两种基于似然的方法推断隐藏主题，并设计序贯Monte Carlo方法应对计算困难。
- 材料陈述的贡献
- 摘要称，模拟和真实应用中，该方法在检测微弱交互方面比关联规则挖掘与主题模型更有力，但未提供具体数值。
- 阅读关注点
- 应核对主题的生成机制与可识别性、两种似然方法的差异，以及比较方法的调参、评价标准和计算成本。
- 阅读边界
- 仅依据所给Crossref摘要；更强检测能力是作者在所考察设置中的陈述，不能推广为所有文本或类别数据上的优势。
原文摘要
Summary Discovering patterns from a set of text or, more generally, categorical data is an important problem in many disciplines such as biomedical research, linguistics, artificial intelligence and sociology. We consider here the well-known ‘market basket’ problem that is often discussed in the data mining community, and is also quite ubiquitous in biomedical research. The data under consideration are a set of ‘baskets’, where each basket contains a list of ‘items’. Our goal is to discover ‘themes’, which are defined as subsets of items that tend to co-occur in a basket. We describe a generative model, i.e. the theme dictionary model, for such data structures and describe two likelihood-based methods to infer themes that are hidden in a collection of baskets. We also propose a novel sequential Monte Carlo method to overcome computational challenges. Using both simulation studies and real applications, we demonstrate that the new approach proposed is significantly more powerful than existing methods, such as association rule mining and topic modelling, in detecting weak and subtle interactions in the data.