文献

J-GLOBAL ID：201702263921506410   整理番号：17A0755489

誘導HTM:ディリクレ森事前分布を用いた階層的トピックモデル【Powered by NICT】

Guided HTM: Hierarchical Topic Model with Dirichlet Forest Priors

著者 (2件)： Shin Su-Jin (Department of Industrial and Systems Engineering, KAIST, Daejeon, Republic of Korea) ,  Moon Il-Chul (Department of Industrial and Systems Engineering, KAIST, Daejeon, Republic of Korea)
資料名： IEEE Transactions on Knowledge and Data Engineering  (IEEE Transactions on Knowledge and Data Engineering)
巻： 29  号： 2  ページ： 330-343  発行年： 2017年 
JST資料番号： T0838A  ISSN： 1041-4347  CODEN： ITKEEH  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： トピックモデルの増殖にもかかわらず,確率モデルからの話題の組織は二つの方法:話題のより良い構造化された提示とコーパス上での領域知識の取込の改善が必要である。階層的トピックモデル,構造化された提示には,類似する話題を分類するのに役立つドメイン知識の取込は,混合パラメータ学習における予め定義されたキーワードの濃縮サンプリングを可能にした。を組み込んだドメイン知識を持つ階層的トピックモデル誘導階層的トピックモデル(GHTM)を提示した。より詳しくいえば,ここでは,知識Dirichlet森林前にからの事前情報を割り当てた。事前調整から,ドメイン知識により誘導される話題樹を得た。本論文では,四種類の知識抽出方法を列挙するとGHTMに抽出された知識を適用することに寄与した。階層的クラスタリング精度の点でGHTMの性能を評価し,F値で測定した階層的クラスタ化の有意な改善を見出した。改善もパープレキシティ分析により検証した。さらに,KL-ダイバージェンス(divergence)と可視化による話題品質を測定し,これらは個別のトピック分布を改善する能力を確認した。最後に,著者らはヒト実験による階層話題品質を試験した,これは指導に由来する有意な改善が認められた。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 構造形成 ,  キーワード ,  コーパス ,  可視化 ,  クラスタ化 ,  ドメイン知識 ,  品質 ,  *確率モデル ,  ヒト
準シソーラス用語： パープレキシティ ,  F値 ,  知識抽出 ,  事前知識 ,  *トピックモデル ,  *事前分布 , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： 誘導 ,  森 ,  事前分布 ,  トピックモデル