主题 森林:基于嵌入的层次聚类和生物医学文献的标签
Chia-Hsuan Chang1, Brian Ondov1, Bin Choi2
1Department of Biomedical Informatics and Data Science, School of Medicine, Yale University, New Haven, CT 06510, USA.
Journal of biomedical informatics
|November 16, 2025
概括
话题森林有效地将生物医学文献组织成层次性的主题树,提供超越平面集群的多层次洞察力. 这种新的框架使用语言模型进行强大的话题发现和解释.
科学领域:
- 生物医学信息学 生物医学信息学
- 计算生物学 计算生物学
- 数据科学数据科学数据科学
背景情况:
- 生物医学文献的快速增长给组织和解释复杂的研究主题带来了挑战.
- 现有的主题建模方法经常产生平面集群,无法捕捉科学主题的等级性质.
- 需要先进的技术来建模生物医学研究中的复杂层次结构.
研究的目的:
- 开发 TopicForest,这是一个嵌入驱动的框架,用于生物医学文献中的层次主题建模.
- 创建一个主题树的森林,使探索从广泛的领域到狭窄的专业.
- 改善复杂的生物医学研究主题的组织和解释.
主要方法:
- 利用对比训练的大型语言模型 (LLM) 嵌入生物医学摘要.
- 应用多元学习用于缩小维度和可视化.
- 实现了使用二进制分区和树状图切割的层次聚类.
- 采用基于LLM的递归总结,用于在多个细分度上标记主题.
主要成果:
- 与BERTopic等平面集群方法相比,主题森林获得了竞争力或更高的调整后相互信息 (AMI) 评分.
- 该框架在集群性能方面超过了HyperMiner深层次主题模型.
- 基于LLM的递归标签显示了比现有方法更高的标签多样性和层次亲和力.
- 话题森林在不同的嵌入模型中表现出稳定的集群质量,表明了强度.
结论:
- 话题森林为生物医学文献的层次主题建模提供了一种有效和可解释的方法.
- 整合LLM,缩小尺寸和层次聚类,促进了研究机构的多层次探索和可视化.
- 这一框架增强了导航和理解生物医学研究复杂环境的能力.
