論文の概要: HyHTM: Hyperbolic Geometry based Hierarchical Topic Models

• arxiv url: http://arxiv.org/abs/2305.09258v1
• Date: Tue, 16 May 2023 08:06:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-17 15:45:37.509716
• Title: HyHTM: Hyperbolic Geometry based Hierarchical Topic Models
• Title（参考訳）: HyHTM:双曲幾何学に基づく階層的トピックモデル
• Authors: Simra Shahid, Tanay Anand, Nikitha Srikanth, Sumit Bhatia, Balaji Krishnamurthy, Nikaash Puri
• Abstract要約: 階層的トピックモデル(HTM)は、文書コレクション内のトピック階層を発見するのに有用である。 双曲幾何学に基づく階層的トピックモデルHyHTMを提案する。
• 参考スコア（独自算出の注目度）: 9.583526547108349
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hierarchical Topic Models (HTMs) are useful for discovering topic hierarchies in a collection of documents. However, traditional HTMs often produce hierarchies where lowerlevel topics are unrelated and not specific enough to their higher-level topics. Additionally, these methods can be computationally expensive. We present HyHTM - a Hyperbolic geometry based Hierarchical Topic Models - that addresses these limitations by incorporating hierarchical information from hyperbolic geometry to explicitly model hierarchies in topic models. Experimental results with four baselines show that HyHTM can better attend to parent-child relationships among topics. HyHTM produces coherent topic hierarchies that specialise in granularity from generic higher-level topics to specific lowerlevel topics. Further, our model is significantly faster and leaves a much smaller memory footprint than our best-performing baseline.We have made the source code for our algorithm publicly accessible.
• Abstract（参考訳）: 階層的トピックモデル(HTM)は、文書コレクション内のトピック階層を発見するのに有用である。 しかしながら、従来のHTMは、下位のトピックが関連がなく、上位のトピックに十分特有でない階層を生成することが多い。 さらに、これらの手法は計算コストがかかる。 我々は,双曲幾何学からトピックモデルの階層構造を明示的にモデル化するために階層的情報を取り込むことにより,これらの制限に対処する双曲幾何学に基づく階層的トピックモデルであるhyhtmを提案する。 4つのベースラインによる実験結果から,HyHTMはトピック間の親子関係により深く関与できることが示された。 HyHTMは、一般的な高レベルトピックから特定の低レベルトピックまで、粒度を専門とする一貫性のあるトピック階層を生成する。 さらに、我々のモデルは大幅に高速で、最高のパフォーマンスのベースラインよりもはるかに少ないメモリフットプリントを残しており、我々のアルゴリズムのソースコードを公開している。

関連論文リスト

• HyperMiner: Topic Taxonomy Mining with Hyperbolic Embedding [54.52651110749165]
  本稿では,単語や話題を表現するために,メタボリック埋め込みを導入した新しいフレームワークを提案する。 双曲空間のツリー様性により、下層のセマンティック階層はより解釈可能なトピックをマイニングするためによりうまく利用することができる。
  論文  参考訳（メタデータ） (2022-10-16T02:54:17Z)
• Knowledge-Aware Bayesian Deep Topic Model [50.58975785318575]
  本稿では,事前知識を階層型トピックモデリングに組み込むベイズ生成モデルを提案する。 提案モデルでは,事前知識を効率的に統合し,階層的なトピック発見と文書表現の両面を改善する。
  論文  参考訳（メタデータ） (2022-09-20T09:16:05Z)
• HTMOT : Hierarchical Topic Modelling Over Time [0.0]
  本稿では,階層的話題モデリングを行うための新しい手法であるHTMOTを提案する。 時間モデリングを深層サブトピックに適用するだけで、特定のストーリーやイベントを抽出できることを示す。 以上の結果から,トレーニング手順は高速で,高精度なトピックと時間的高精度なサブトピックを抽出できることが示唆された。
  論文  参考訳（メタデータ） (2021-11-22T11:02:35Z)
• Modeling Heterogeneous Hierarchies with Relation-specific Hyperbolic Cones [64.75766944882389]
  知識グラフにおける複数の階層的および非階層的関係を同時にモデル化できるKG埋め込みモデルであるConE(Cone Embedding)を提案する。 特に、ConEは双曲埋め込み空間の異なる部分空間における円錐包含制約を用いて、複数の異種階層をキャプチャする。 我々のアプローチでは、WN18RRで45.3%、DDB14で16.1%の新しい最先端hits@1が得られる(0.231 MRR)。
  論文  参考訳（メタデータ） (2021-10-28T07:16:08Z)
• 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)
• Analysis and tuning of hierarchical topic models based on Renyi entropy approach [5.487882744996213]
  階層レベルのトピック数を含む階層モデルのパラメータのチューニングは、依然として困難な課題である。 本稿では,Renyi entropy-based approach for a part solution to the above problemを提案する。
  論文  参考訳（メタデータ） (2021-01-19T12:54:47Z)
• Coherent Hierarchical Multi-Label Classification Networks [56.41950277906307]
  C-HMCNN(h)はHMC問題に対する新しいアプローチであり、階層情報を利用して制約に整合した予測を生成し、性能を向上させる。 最先端モデルと比較してC-HMCNN(h)の優れた性能を示す広範囲な実験的検討を行った。
  論文  参考訳（メタデータ） (2020-10-20T09:37:02Z)
• Improving Neural Topic Models using Knowledge Distillation [84.66983329587073]
  我々は,確率論的トピックモデルと事前学習されたトランスフォーマーの最適属性を組み合わせるために,知識蒸留を用いる。 我々のモジュラー手法は、どのニューラルトピックモデルでも簡単に適用でき、トピックの品質を向上させることができる。
  論文  参考訳（メタデータ） (2020-10-05T22:49:16Z)
• Hierarchical Topic Mining via Joint Spherical Tree and Text Embedding [37.7780399311715]
  階層的トピックマイニング(Hierarchical Topic Mining)は、ユーザーが関心のあるトピックを理解するのを助けるために、テキストコーパスから各カテゴリの代表語を抽出することを目的としている。 私たちのモデルは、JoSHと呼ばれ、高い効率と弱教師付き階層的テキスト分類タスクの恩恵を受ける、高品質な階層的トピックセットをマイニングしています。
  論文  参考訳（メタデータ） (2020-07-18T23:30:47Z)

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。