For many applications that require semantic understanding of short texts, inferring discriminative and coherent latent topics from short texts is a critical and fundamental task. Conventional topic models largely rely on word co-occurrences to derive topics from a collection of documents. However, due to the length of each document, short texts are much more sparse in terms of word co-occurrences. Data sparsity therefore becomes a bottleneck for conventional topic models to achieve good results on short texts. On the other hand, when a human being interprets a piece of short text, the understanding is not solely based on its content words, but also her background knowledge (e.g., semantically related words). The recent advances in word embedding offer effective learning of word semantic relations from a large corpus. Exploiting such auxiliary word embeddings to enrich topic modeling for short texts is the main focus of this paper. To this end, we propose a simple, fast, and effective topic model for short texts, named GPU-DMM. Based on the Dirichlet Multinomial Mixture (DMM) model, GPU-DMM promotes the semantically related words under the same topic during the sampling process by using the generalized Polya urn (GPU) model. In this sense, the background knowledge about word semantic relatedness learned from millions of external documents can be easily exploited to improve topic modeling for short texts. Through extensive experiments on two real-world short text collections in two languages, we show that GPU-DMM achieves comparable or better topic representations than state-of-the-art models, measured by topic coherence. The learned topic representation leads to the best accuracy in text classification task, which is used as an indirect evaluation.

ABSTRACT Living materials that combine active cells and synthetic matrix materials have become a promising research field in recent years. While multicellular systems present exclusive benefits in developing living materials over single-cell systems, creating artificial multicellular systems can be challenging due to the difficulty in controlling the multicellular assemblies and the complexity of cell-to-cell interactions. Here, we propose a co-culture platform capable of isolating and controlling the spatial distribution of algal-bacterial consortia, which can be used to construct photosynthetic living fibers. Through coaxial extrusion-based 3D printing, hydrogel fibers containing bacteria or algae can be deposited into designated structures and further processed into materials with precise geometries. In addition, the photosynthetic living fibers demonstrate a significant synergistic catalytic effect resulting from the immobilization of both bacteria and algae, which effectively optimize sewage treatment for bioremediation purposes. The integration of microbial consortia and 3D printing gives functional living materials that have promising applications in biocatalysis, biosensing, and biomedicine. Our approach provides an optimized solution for constructing efficient multicellular systems and opens a new avenue for the development of advanced materials.

The purpose of this study is to gain a deeper understanding of the effects of rare-earth element Er on the microstructure and properties of Al-Zn-Mg-Cu alloy manufactured by laser powder bed fusion (LPBF). Compared with the as-printed Al-Zn-Mg-Cu alloy without Er addition, the as-printed Al-Zn-Mg-Cu-Er alloy with a bimodal grain structure had finer cellular structures and denser precipitation phases, which significantly improved the alloy's mechanical and corrosion resistance properties. The tensile strength of the as-printed Al-Zn-Mg-Cu-Er alloy was 383 MPa, which is 137 MPa higher than that of the as-printed Al-Zn-Mg-Cu alloy without Er addition. It was intended to use T6 heat treatment process to further regulate the mechanical properties of the as-printed alloy, but the formation of Si-rich hard and brittle eutectic phases with sizes of 2–5 μm in the matrix resulted in a decrease in the strength of the alloy, which is contrary to the traditional 7xxx aluminum alloys. Besides, the addition of Er element improved the alloy's corrosion resistance by decreasing the corrosion current density and raising the intergranular corrosion (IGC) resistance, and the maximum intergranular corrosion depth decreased from 174 µm to 68 µm after Er addition.