Knowledge discovery and visualization of topic evolution using topic modeling technique

การสกัดองค์ความรู้และแสดงการวิวัฒนาการของหัวข้องานวิจัยโดยใช้เทคนิคทอปิกโมเดลลิ่ง

Name: Kallaya Songklang

keyword: Topic modeling technique.

LCSH: Research

; Latent Dirichlet Allocation (LDA)

LCSH: Knowledge management

; การสกัดองค์ความรู้

Abstract: This study aims at presenting a technique to alternatively discover the temporal research topics correlation by using a topic model, Latent Dirichlet Allocation (LDA). LDA model assumes the documents as a mixture of topics that group the co-occurrence words with the certain probabilities. Hence the model is popularly used to extract the latent topics from document collections. However, LDA gives an independence assumption between topics and is unable to model the correlation between the topics. Motivated by above limitation, this study introduces a method for improving the topic correlation. The correlation of two topics from different time periods can occur when there exists a publication tagged by the two topics and these two topics are said to be co-occurred by this publication. LDA weights of these co-occurred topics are used in our model to calculate gross-correlation values. The number of publications in a topic co-occurrence is also used in the model. Therefore, we split dataset into groups with some common sub-dataset ordered by temporal timestamp of published year. The experiment results show the correlation between topics in different time periods and results can further support the research collaboration in future.

Abstract: งานวิจัยนี้มีจุดประสงค์เพื่อนำเสนอวิธีการในการสกัดองค์ความรู้ และแสดงความสัมพันธ์ของหัวข้องานวิจัย (Topic) ในช่วงเวลาต่างๆ โดยใช้เทคนิค Latent Dirichlet Allocation (LDA) ซึ่งเป็นเทคนิคที่ได้รับความนิยมมากในหมู่นักวิจัย โดย LDA ถูกสร้างมาจากสมมติฐานที่ว่า ใจความสำคัญของข้อมูลที่เป็นเอกสารจะกระจัดกระจายกันอยู่ ซึ่ง LDA สามารถสกัดองค์ความรู้ที่เป็นใจความสำคัญของข้อมูลได้ โดยองค์ความรู้ที่ได้จะมีลักษณะเป็น Topic หรือวลีที่ประกอบด้วยหลายคำ (Bag of Word) ซึ่งคำที่เกิดใน Topic เดียวกันจะเกิดจากค่า Probability Distribution ที่แตกต่างกัน อย่างไรก็ตาม LDA สามารถสกัดองค์ความรู้ในรูปแบบ Topic ได้ แต่ไม่สามารถบ่งบอกได้ว่าแต่ละ Topic มีความสัมพันธ์กันอย่างไร งานวิจัยนี้จึงได้นำเสนอโมเดล Temporal Topic Correlation เพื่อศึกษาความสัมพันธ์ระหว่าง Topic เพื่อใช้ในการอธิบายรูปแบบของการวิวัฒนาการของหัวข้องานวิจัยว่ามีการเปลี่ยนแปลงอย่างไรในช่วงเวลาต่างๆ โดยใช้ LDA ในการสกัดใจความสำคัญในแต่ละช่วงเวลา แต่เนื่องจาก LDA ไม่สามารถบ่งบอกความสัมพันธ์ระหว่าง Topic ได้ ดังนั้นข้อมูลที่ใช้จึงจำเป็นต้องเรียงด้วยปีที่ตีพิมพ์แล้วแบ่งข้อมูลเป็นกลุ่มย่อยเรียงตามปี โดยที่กลุ่มที่อยู่ติดกันจะต้องมีข้อมูลจำนวนหนึ่งที่มีร่วมกันทั้งสองกลุ่ม ทั้งนี้เพื่อสังเกตว่าความสัมพันธ์ระหว่าง Topic ในแต่ละช่วงเวลาเกิดจากข้อมูลที่มีร่วมกันหรือไม่ โดยค่าที่ได้ได้แก่ ผลรวมความสัมพันธ์ระหว่าง Topic และจำนวนข้อมูลที่เกิดขึ้นทั้งสอง Topic หลังจากนั้น นำไปคำนวณหาค่าระดับความสัมพันธ์ของ Topic ผลที่ได้คือ โมเดลที่นำเสนอสามารถแสดงความสัมพันธ์ของ Topic ในแต่ละช่วงเวลาได้ ซึ่งผลที่ได้นี้สามารถนำไปสู่การศึกษาวิวัฒนาการของหัวข้องานวิจัย เพื่อแสดงรูปแบบของการวิวัฒนาการของ Topic ว่า Topic ใดที่ยังคงได้รับความนิยม หรือเกิดการวิวัฒนาการไปเป็น Topic อื่น หรือแม้กระทั่ง Topic ที่หายไปและเกิดใหม่ ก็สามารถสกัดความสัมพันธ์เหล่านี้ได้

King Mongkut's University of Technology North Bangkok. Central Library

Address: Bangkok

Email: library@kmutnb.ac.th

Name: Akara Prayote

Role: Thesis advisors

Email : akarap@kmutnb.ac.th

Created: 2017

Modified: 2561-11-13

Issued: 2018-09-14

วิทยานิพนธ์/Thesis

application/pdf

eng

DegreeName: Master of science

Level: Master's Degree

Descipline: Computer Science

Grantor: King Mongkut's University of Technology North Bangkok

©copyrights King Mongkut's University of Technology North Bangkok

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	B16175621.pdf	4.5 MB	12	2024-02-28 18:30:48

ใช้เวลา

0.018336 วินาที