文献

J-GLOBAL ID：201702227406319495   整理番号：17A1257180

別名法によるbitermトピックモデルのための崩壊したGibbsサンプリングの最適化【Powered by NICT】

Optimize collapsed Gibbs sampling for biterm topic model by alias method

著者 (6件)： He Xingwei (State Key Laboratory of Intelligent Technology and Systems, Tsinghua National Laboratory for Information Science and Technology, Department of Computer Science and Technology, Tsinghua University, Beijing 100084, China) ,  Xu Hua (State Key Laboratory of Intelligent Technology and Systems, Tsinghua National Laboratory for Information Science and Technology, Department of Computer Science and Technology, Tsinghua University, Beijing 100084, China) ,  Sun Xiaomin (State Key Laboratory of Intelligent Technology and Systems, Tsinghua National Laboratory for Information Science and Technology, Department of Computer Science and Technology, Tsinghua University, Beijing 100084, China) ,  Deng Junhui (State Key Laboratory of Intelligent Technology and Systems, Tsinghua National Laboratory for Information Science and Technology, Department of Computer Science and Technology, Tsinghua University, Beijing 100084, China) ,  Bai Xiaoli (Shijiazhuang Preschool Teachers College, Shijiazhuang, 050228, Hebei, China) ,  Li Jia (State Key Laboratory of Intelligent Technology and Systems, Tsinghua National Laboratory for Information Science and Technology, Department of Computer Science and Technology, Tsinghua University, Beijing 100084, China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： IJCNN  ページ： 1155-1162  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
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： ソーシャルネットワークの普及,マイクロブログとツイッターなどでは,短いテキストのトピック推論であるますます重要と多くの内容分析タスクに必須である。Bitermトピックモデル(BTM)は,短いテキストのための潜在的意味関連性を明らかにする従来のトピックモデルよりも優れていた。しかし,話題,特に大規模データセットを推定する場合のBTMにより採用されたGibbsサンプリングは非常に時間がかかる。K話題の試料当たりO{K)操作を必要とする,ここでKはコーパスにおける話題の数を示す。本論文では,伝統的なものが話題の数と共に直線的に応答するが,著者らは,O(1)償却時間のみを必要とするBTM,FastBTM,BTMのための効率的なサンプリング法を用いての加速アルゴリズムを提案した。FastBTMはMetropolis-Hastingsとエイリアス法があり,両者は潜在的Dirichlet配分(LDA)モデルに広く採用されと顕著な高速化を達成したに基づいている。Tweets2011収集データセットとEnronデータセット上で多数の実験を行い,提案手法が短いテキストと正常文書の両方に対して十分にロバストであることを示した。著者らの研究では,反復ごとに伝統的なGibbsサンプリング法よりも約9倍高速で,Ka=1000を設定した。FastBTMのソースコードはhttps://github.com/paperstudy/FastBTMから得ることができる。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： 高速化 ,  コーパス ,  ロバスト性 ,  減価償却 ,  アルゴリズム ,  *最適化
準シソーラス用語： ソースコード ,  大規模データセット ,  内容分析 ,  テキスト ,  ツイッター ,  マイクロブログ ,  社会的ネットワーク ,  *Gibbsサンプリング ,  *トピックモデル , 【Automatic Indexing@JST】

分類 (2件)： その他の情報処理  (JE15050M) ,  自然語処理  (JE06000L)

タイトルに関連する用語 (5件)： 別名 ,  トピックモデル ,  崩壊 ,  Gibbsサンプリング ,  最適化