我正在尝试从大量短文本和相对少量的长文本中生成可比较的主题。目前，我将它们混合到一个语料库中来运行 LDA。我发现大多数主题都是由短文本驱动的，因为短文本的数量远大于长文档的数量。我有两个问题： （1）谁能从理论上解释一下这个问题（即短文本主题的主导地位）？ （2）有没有更好的方法同时处理长文本和短文本？我正在考虑使用短文本作为训练样本，长文本作为测试样本。理论上正确吗？
您可以将长文本分成句子并与短文本一起使用。然后，您可以对长文本的句子主题进行平均。