論文の概要: A Multilayer Correlated Topic Model
- arxiv url: http://arxiv.org/abs/2101.02028v1
- Date: Sat, 2 Jan 2021 21:50:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-13 08:24:55.177357
- Title: A Multilayer Correlated Topic Model
- Title(参考訳): マルチレイヤ関連トピックモデル
- Authors: Ye Tian
- Abstract要約: 本研究では,文書と異なるセグメント間の主観の継承と変化を解析するための,新規な多層相関トピックモデル (MCTM) を提案する。
我々は,段落レベルの文書分析とマーケットバスケットデータ分析を含む,MCTMの潜在的な2つの応用を紹介した。
- 参考スコア(独自算出の注目度): 1.188086182744454
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We proposed a novel multilayer correlated topic model (MCTM) to analyze how
the main ideas inherit and vary between a document and its different segments,
which helps understand an article's structure. The variational
expectation-maximization (EM) algorithm was derived to estimate the posterior
and parameters in MCTM. We introduced two potential applications of MCTM,
including the paragraph-level document analysis and market basket data
analysis. The effectiveness of MCTM in understanding the document structure has
been verified by the great predictive performance on held-out documents and
intuitive visualization. We also showed that MCTM could successfully capture
customers' popular shopping patterns in the market basket analysis.
- Abstract(参考訳): 論文の構造を理解する上で有効な,文書とそのセグメント間の主アイデアの相違を解析するための,新しい多層相関トピックモデル (MCTM) を提案する。
変動予測最大化(EM)アルゴリズムは,MCTMの後方およびパラメータを推定するために導出された。
我々は,段落レベルの文書分析とマーケットバスケットデータ分析を含む,MCTMの潜在的な2つの応用を紹介した。
文書構造理解におけるmctmの有効性は,保持文書の予測性能と直感的可視化によって検証された。
また,マーケットバスケット分析において,MCTMが顧客の一般的なショッピングパターンを捉えることができた。
関連論文リスト
- MM1: Methods, Analysis & Insights from Multimodal LLM Pre-training [105.36623165770936]
MLLM(Performant Multimodal Large Language Models)を構築する。
特に,さまざまなアーキテクチャコンポーネントとデータ選択の重要性について検討する。
本稿では,画像キャプチャ,インターリーブ画像テキスト,テキストのみのデータを組み合わせた大規模マルチモーダル事前学習について述べる。
論文 参考訳(メタデータ) (2024-03-14T17:51:32Z) - MMC: Advancing Multimodal Chart Understanding with Large-scale
Instruction Tuning [50.72453216533178]
グラフの抽象的な構成要素が異なるため、チャートイメージ理解の領域にギャップが残っている。
多様なタスクとチャートタイプをサポートする600kインスタンスからなる大規模マルチモーダルチャートインストラクションデータセットを提案する。
既存のグラフQAベンチマークで最先端の性能を実現するLMMであるMultiModal Chart Assistant(MMCA)を開発した。
論文 参考訳(メタデータ) (2023-11-15T23:36:42Z) - Financial News Analytics Using Fine-Tuned Llama 2 GPT Model [0.0]
微調整のLlama 2モデルはマルチタスクの財務ニュース分析を行うことができる。
名前付きエンティティの抽出された感情は、機械学習モデルにおける予測的特徴と見なすことができる。
論文 参考訳(メタデータ) (2023-08-24T18:58:10Z) - Information Screening whilst Exploiting! Multimodal Relation Extraction
with Feature Denoising and Multimodal Topic Modeling [96.75821232222201]
既存のマルチモーダル関係抽出(MRE)研究は、内部情報過剰利用と外部情報過多という2つの共存課題に直面している。
内部情報スクリーニングと外部情報活用を同時に実現する新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2023-05-19T14:56:57Z) - On the Equivalence of the Weighted Tsetlin Machine and the Perceptron [12.48513712803069]
Tsetlin Machine (TM) は本質的に解釈可能な機械傾き法として人気を集めている。
良い特性を持っているが、TMはAIアプリケーションのためのゴーツーメソッドではない。
論文 参考訳(メタデータ) (2022-12-27T22:38:59Z) - Neural Machine Translation with Contrastive Translation Memories [71.86990102704311]
Retrieval-augmented Neural Machine Translationモデルは、多くの翻訳シナリオで成功している。
そこで本論文では,新たに検索拡張NMTを提案し,ソース文と相似なコントラスト検索された翻訳記憶をモデル化する。
訓練段階では、目標文に対する各TMの健全な特徴を学習するために、マルチTMコントラスト学習目標を導入する。
論文 参考訳(メタデータ) (2022-12-06T17:10:17Z) - Understanding Attention in Machine Reading Comprehension [56.72165932439117]
本稿では,多面的自己意識と最終的なパフォーマンスとの関係を検討するために,一連の分析実験を実施することに焦点を当てる。
SQuAD(英語)とCMRC 2018(中国語)の定量的解析を行い、BERT, ALBERT, ELECTRAの2つのスパン抽出MCCデータセットについて検討した。
本研究は, 問合せ及び問合せに対する注意が最重要であり, 最終結果と強い相関関係を示すものであることを明らかにする。
論文 参考訳(メタデータ) (2021-08-26T04:23:57Z) - Exploring Topic-Metadata Relationships with the STM: A Bayesian Approach [0.0]
現在のベイジアン手法と頻繁な方法の融合ではなく、完全にベイジアンアプローチを提案します。
我々は、ドイツの国会議員によるtwitter投稿間の関係を探求することで、改善手法を実証する。
論文 参考訳(メタデータ) (2021-04-06T13:28:04Z) - Multi-Aspect Sentiment Analysis with Latent Sentiment-Aspect Attribution [7.289918297809611]
感傷的帰属モジュール(SAAM)と呼ばれる新しいフレームワークを導入する。
このフレームワークは文レベルの埋め込み特徴と文書レベルのアスペクトレーティングスコアのバリエーションの相関を利用して動作する。
ホテルレビューデータセットとビールレビューデータセットの実験では、SAAMは感情分析性能を向上させることが示されている。
論文 参考訳(メタデータ) (2020-12-15T16:34:36Z) - Deep Autoencoding Topic Model with Scalable Hybrid Bayesian Inference [55.35176938713946]
我々は、ガンマ分布の階層構造を用いて、その多確率層生成ネットワークを構築するディープ・オートエンコーディング・トピック・モデル(DATM)を開発した。
Weibull上向き変分エンコーダを提案する。このエンコーダは深層ニューラルネットワークを介して情報を上向きに伝播し,次いで下向き生成モデルを提案する。
大規模コーパス上での教師なしおよび教師なしの学習タスクにおいて,モデルの有効性とスケーラビリティを実証した。
論文 参考訳(メタデータ) (2020-06-15T22:22:56Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。