論文の概要: Topic Model Supervised by Understanding Map
- arxiv url: http://arxiv.org/abs/2110.06043v1
- Date: Tue, 12 Oct 2021 14:42:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-13 18:27:49.111384
- Title: Topic Model Supervised by Understanding Map
- Title（参考訳）: 地図理解によるトピックモデルの構築
- Authors: Gangli Liu
- Abstract要約: UM-S-TMと呼ばれるフレームワークモデルを提案する。
UM-S-TMの目的は、ドキュメントの内容とセマンティックネットワーク、特に理解マップの両方が、ドキュメントの意味を解釈する役割を果たすことである。
人工文書と理解マップに関するいくつかの実験は、結果をテストするために実施されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Inspired by the notion of Center of Mass in physics, an extension called
Semantic Center of Mass (SCOM) is proposed, and used to discover the abstract
"topic" of a document. The notion is under a framework model called
Understanding Map Supervised Topic Model (UM-S-TM). The devise aim of UM-S-TM
is to let both the document content and a semantic network -- specifically,
Understanding Map -- play a role, in interpreting the meaning of a document.
Based on different justifications, three possible methods are devised to
discover the SCOM of a document. Some experiments on artificial documents and
Understanding Maps are conducted to test their outcomes. In addition, its
ability of vectorization of documents and capturing sequential information are
tested. We also compared UM-S-TM with probabilistic topic models like Latent
Dirichlet Allocation (LDA) and probabilistic Latent Semantic Analysis (pLSA).
- Abstract（参考訳）: 物理学における質量中心の概念に触発されて、SCOM(Semantic Center of Mass)と呼ばれる拡張が提案され、文書の抽象的な「トピック」を発見するために使用される。
この概念は、理解マップ監視トピックモデル(UM-S-TM)と呼ばれるフレームワークモデルに基づいている。
UM-S-TMの目標は、ドキュメントの内容とセマンティックネットワーク(具体的には、地図を理解する)の両方が、ドキュメントの意味を解釈する役割を果たすことである。
異なる正当化に基づいて、文書のSCOMを発見するために3つの方法が考案された。
人工文書と理解マップに関するいくつかの実験を行い、その結果を検証した。
さらに,文書のベクトル化とシーケンシャルな情報の取得能力についても検証した。
また,UM-S-TMをLDA(Latent Dirichlet Allocation)やpLSA(Latent Semantic Analysis)といった確率論的トピックモデルと比較した。
関連論文リスト
- Hypergraph based Understanding for Document Semantic Entity Recognition [65.84258776834524]
我々は,ハイパグラフアテンションを利用したハイパグラフアテンション文書セマンティックエンティティ認識フレームワークHGAを構築し,エンティティ境界とエンティティカテゴリを同時に重視する。
FUNSD, CORD, XFUNDIE で得られた結果は,本手法が意味的エンティティ認識タスクの性能を効果的に向上できることを示す。
論文 参考訳（メタデータ） (2024-07-09T14:35:49Z) - Interactive Topic Models with Optimal Transport [75.26555710661908]
ラベル名監視型トピックモデリングのためのアプローチとして,EdTMを提案する。
EdTMは、LM/LLMベースのドキュメントトピック親和性を活用しながら、代入問題としてのトピックモデリングをモデル化する。
論文 参考訳（メタデータ） (2024-06-28T13:57:27Z) - Language Models As Semantic Indexers [78.83425357657026]
本稿では,ジェネレーティブ言語モデルを用いてセマンティックIDを学習するための自己教師型フレームワークLMIndexerを紹介する。
学習したIDの質を検証し,推奨,製品検索,文書検索の3つの課題において有効性を示す。
論文 参考訳（メタデータ） (2023-10-11T18:56:15Z) - SKG: A Versatile Information Retrieval and Analysis Framework for
Academic Papers with Semantic Knowledge Graphs [9.668240269886413]
本稿では,抽象概念やメタ情報から意味概念を統合してコーパスを表現するセマンティック知識グラフを提案する。
SKGは、高い多様性と豊富な情報コンテンツが格納されているため、学術文献における様々なセマンティッククエリをサポートすることができる。
論文 参考訳（メタデータ） (2023-06-07T20:16:08Z) - Moving beyond word lists: towards abstractive topic labels for
human-like topics of scientific documents [0.0]
抽象的多文書要約(MDS)を用いたヒューマンライクなトピックラベル生成手法を提案する。
我々は、トピックラベリングのためのMDSを完全に運用するために、どのような研究が必要なのかを理解するために、引用文でトピックをモデル化する。
論文 参考訳（メタデータ） (2022-10-28T17:47:12Z) - UnifieR: A Unified Retriever for Large-Scale Retrieval [84.61239936314597]
大規模な検索は、クエリを与えられた巨大なコレクションから関連ドキュメントをリコールすることである。
事前学習型言語モデル(PLM)に基づく最近の検索手法は,高密度ベクターあるいはレキシコンに基づくパラダイムに大別することができる。
本論文では,高密度ベクトルとレキシコンに基づく検索を2つの表現能力を持つ1つのモデルで統合する学習フレームワークUnifieRを提案する。
論文 参考訳（メタデータ） (2022-05-23T11:01:59Z) - TopicNet: Semantic Graph-Guided Topic Discovery [51.71374479354178]
既存の階層的なトピックモデルでは、教師なしの方法でテキストコーパスから意味論的意味のあるトピックを抽出することができる。
TopicNetを階層的なトピックモデルとして導入し、学習に影響を与えるための帰納的バイアスとして、事前構造知識を注入する。
論文 参考訳（メタデータ） (2021-10-27T09:07:14Z) - Topic-Guided Abstractive Multi-Document Summarization [21.856615677793243]
多文書要約(MDS)の重要なポイントは、様々な文書間の関係を学習することである。
異種グラフとして複数の文書を表現できる新しい抽象MDSモデルを提案する。
我々は、クロスドキュメントセマンティックユニットとして機能する潜在トピックを共同で発見するために、ニューラルトピックモデルを採用している。
論文 参考訳（メタデータ） (2021-10-21T15:32:30Z) - Information Symmetry Matters: A Modal-Alternating Propagation Network
for Few-Shot Learning [118.45388912229494]
未ラベルサンプルの欠落した意味情報を補うために,モーダル代替伝搬ネットワーク (MAP-Net) を提案する。
我々は,情報伝達がより有益になるように,セマンティクスを介して視覚的関係ベクトルを誘導するリレーガイダンス(RG)戦略を設計する。
提案手法は有望な性能を達成し,最先端の手法よりも優れる。
論文 参考訳（メタデータ） (2021-09-03T03:43:53Z) - Multi-document Summarization via Deep Learning Techniques: A Survey [29.431160110691607]
ニューラルネットワークの設計戦略を要約する新しい分類法を提案する。
既存の文献ではめったに議論されない様々な目的関数の違いを強調した。
論文 参考訳（メタデータ） (2020-11-10T00:35:46Z) - Hierarchical Interaction Networks with Rethinking Mechanism for
Document-level Sentiment Analysis [37.20068256769269]
文書レベルの感性分析(DSA)は、あいまいなセマンティックリンクと感情情報の複雑化により、より困難である。
そこで本研究では,DSAにおける対象の明示的パターンと感情文脈を用いた識別表現を効果的に生成する方法について検討する。
感性に基づく再考機構(SR)を,感情ラベル情報を用いてHINを精製し,より感情に敏感な文書表現を学習することによって設計する。
論文 参考訳（メタデータ） (2020-07-16T16:27:38Z)
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。