Using Wikipedia to learn semantic feature representations of concrete concepts in neuroimaging experiments.
Using Wikipedia to learn semantic feature representations of concrete concepts in neuroimaging experiments.
复制标题
DOI：
10.1016/j.artint.2012.06.005
复制
发表时间：
2013-01-01
影响因子：
14.4
通讯作者：
Detre, Greg
中科院分区：
文献类型：
--
作者：
Pereira, Francisco;Botvinick, Matthew;Detre, Greg
在本文中，我们展示了数千篇关于具体或可视化概念的维基百科文章的语料库可用于生成这些概念的低维语义特征表示。这种表示的目的是作为功能磁共振成像（fMRI）实验期间受试者心理背景的模型。最近的一项研究表明，考虑到在人类监督下获得的语义特征来表示这些概念，可以预测受试者思考具体概念时获取的功能磁共振成像数据。我们使用语料库上的主题模型以无监督的方式从文本中学习语义特征，并表明这些特征在要求严格的 12 路和 60 路分类任务中可以胜过那些特征。我们还表明，这些特征可用于揭示不同概念的大脑激活中的相似关系，这些概念与人类受试者的行为数据中的关系相似。
In this paper we show that a corpus of a few thousand Wikipedia articles about concrete or visualizable concepts can be used to produce a low-dimensional semantic feature representation of those concepts. The purpose of such a representation is to serve as a model of the mental context of a subject during functional magnetic resonance imaging (fMRI) experiments. A recent study showed that it was possible to predict fMRI data acquired while subjects thought about a concrete concept, given a representation of those concepts in terms of semantic features obtained with human supervision. We use topic models on our corpus to learn semantic features from text in an unsupervised manner, and show that those features can outperform those in in demanding 12-way and 60-way classification tasks. We also show that these features can be used to uncover similarity relations in brain activation for different concepts which parallel those relations in behavioral data from human subjects.
登录
查看更多内容
影响因子：
5.7
作者：
Pereira F;Mitchell T;Botvinick M
通讯作者：
Botvinick M
影响因子：
7.5
作者：
Mitchell, TM;Hutchinson, R;Newman, S
通讯作者：
Newman, S
影响因子：
5.7
作者：
Chang, Kai-min Kevin;Mitchell, Tom;Just, Marcel Adam
通讯作者：
Just, Marcel Adam
影响因子：
6
作者：
Blei, DM;Ng, AY;Jordan, MI
通讯作者：
Jordan, MI
影响因子：
2.4
作者：
Nelson, DL;McEvoy, CL;Dennis, S
通讯作者：
Dennis, S