論文の概要: Labeled Interactive Topic Models
- arxiv url: http://arxiv.org/abs/2311.09438v1
- Date: Wed, 15 Nov 2023 23:18:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-17 17:15:21.757900
- Title: Labeled Interactive Topic Models
- Title（参考訳）: ラベル付きインタラクティブトピックモデル
- Authors: Kyle Seelman, Mozhi Zhang, Jordan Boyd-Graber
- Abstract要約: 我々は,対話型インタフェースを開発し,ユーザが適切なトピックモデルと対話し,表現しやすくする。
提案手法は,人間による研究によって評価され,利用者が関連する文書を検索するためにトピックを緩和することができる。
- 参考スコア（独自算出の注目度）: 10.555664965166232
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Topic models help users understand large document collections; however, topic
models do not always find the ``right'' topics. While classical probabilistic
and anchor-based topic models have interactive variants to guide models toward
better topics, such interactions are not available for neural topic models such
as the embedded topic model (\abr{etm}). We correct this lacuna by adding an
intuitive interaction to neural topic models: users can label a topic with a
word, and topics are updated so that the topic words are close to the label.
This allows a user to refine topics based on their information need. While,
interactivity is intuitive for \abr{etm}, we extend this framework to work with
other neural topic models as well. We develop an interactive interface which
allows users to interact and relabel topic models as they see fit. We evaluate
our method through a human study, where users can relabel topics to find
relevant documents. Using our method, user labeling improves document rank
scores, helping to find more relevant documents to a given query when compared
to no user labeling.
- Abstract（参考訳）: トピックモデルは、ユーザが大きなドキュメントコレクションを理解するのに役立つが、トピックモデルは必ずしも‘正しい’トピックを見つけるとは限らない。
古典的な確率的およびアンカーベースのトピックモデルには、よりよいトピックに向けてモデルを導くための対話型があるが、そのようなインタラクションは組み込みトピックモデル(\abr{etm})のような神経的なトピックモデルでは利用できない。
我々は、ニューラルトピックモデルに直感的なインタラクションを加えることで、このラグナを補正する。ユーザーは、あるトピックを単語でラベル付けすることができ、トピックワードがラベルに近いようにトピックが更新される。
これにより、ユーザーは情報要求に応じてトピックを洗練できる。
対話性は \abr{etm} では直感的だが、このフレームワークを他のニューラルネットワークのトピックモデルにも適用できるように拡張する。
我々は,対話型インタフェースを開発し,ユーザが適切なトピックモデルと対話し,表現しやすくする。
本手法を人間実験により評価し,関連する文書を検索するためにトピックをリラベルすることができる。
ユーザラベリングは,ユーザラベリングに比較して,特定のクエリに対する関連文書の検索を支援することにより,ドキュメントランクスコアを向上させる。
関連論文リスト
- Tethering Broken Themes: Aligning Neural Topic Models with Labels and Authors [2.048226951354646]
ラベルと著者情報の両方でニューラルトピックモデルを整列するFANToMを紹介する。
提案手法は,ラベル,トピック,著者間のアライメントを学習することで,従来のトピックモデルよりも表現力が高いことを示す。
論文 参考訳（メタデータ） (2024-10-22T11:20:47Z) - Personalized Topic Selection Model for Topic-Grounded Dialogue [24.74527189182273]
現在のモデルは、ユーザに興味がなく、文脈的に無関係なトピックを予測する傾向があります。
我々はtextbfTopic-grounded textbfDialogue のための textbfPersonalized topic stextbfElection model を提案する。
提案手法は,多種多様な応答を生成でき,最先端のベースラインを達成できる。
論文 参考訳（メタデータ） (2024-06-04T06:09:49Z) - TopicGPT: A Prompt-based Topic Modeling Framework [77.72072691307811]
TopicGPTは,大規模言語モデルを用いてテキストコレクション内の潜在トピックを明らかにするプロンプトベースのフレームワークである。
競合する手法と比較して、人間の分類とよく一致したトピックを生成する。
そのトピックもまた解釈可能であり、自然言語ラベルと関連する自由形式の記述を含むトピックを好んで、曖昧な言葉の袋を除いた。
論文 参考訳（メタデータ） (2023-11-02T17:57:10Z) - TopicAdapt- An Inter-Corpora Topics Adaptation Approach [27.450275637652418]
本稿では、関連するソースコーパスから関連するトピックを適応し、ソースコーパスに存在しないターゲットコーパスに新しいトピックを発見できるトピックモデルTopicAdaptを提案する。
多様なドメインからの複数のデータセットに対する実験は、最先端のトピックモデルに対して提案されたモデルの優位性を示している。
論文 参考訳（メタデータ） (2023-10-08T02:56:44Z) - Multi-turn Dialogue Comprehension from a Topic-aware Perspective [70.37126956655985]
本稿では,話題認識の観点から,マルチターン対話をモデル化することを提案する。
対話文のセグメント化アルゴリズムを用いて、対話文を教師なしの方法でトピック集中フラグメントに分割する。
また,トピックセグメントを処理要素として扱う新しいモデルとして,トピック認識デュアルアテンションマッチング(TADAM)ネットワークを提案する。
論文 参考訳（メタデータ） (2023-09-18T11:03:55Z) - A User-Centered, Interactive, Human-in-the-Loop Topic Modelling System [32.065158970382036]
ヒューマン・イン・ザ・ループ(Human-in-the-loop)トピック・モデリングは、ユーザの知識をモデリングプロセスに取り入れ、モデルを反復的に洗練することを可能にする。
最近の研究では、ユーザフィードバックの価値が実証されているが、検討すべき問題がまだ残っている。
そこで我々は,ユーザフレンドリなインタフェースを備えた対話型話題モデリングシステムを開発した。
論文 参考訳（メタデータ） (2023-04-04T13:05:10Z) - Interactive Text Generation [75.23894005664533]
我々は,対話型テキスト生成タスクを導入し,実際のユーザを巻き込むことなく,対話型テキスト生成モデルのトレーニングを可能にする。
我々は、Imitation Learningを用いてインタラクティブモデルをトレーニングし、競合する非インタラクティブな生成モデルに対する実験により、インタラクティブにトレーニングされたモデルは非インタラクティブなモデルよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-03-02T01:57:17Z) - Dialogue History Matters! Personalized Response Selectionin Multi-turn
Retrieval-based Chatbots [62.295373408415365]
本稿では,コンテキスト応答マッチングのためのパーソナライズドハイブリッドマッチングネットワーク(phmn)を提案する。
1) ユーザ固有の対話履歴からパーソナライズされた発話行動を付加的なマッチング情報として抽出する。
ユーザ識別による2つの大規模データセット,すなわちパーソナライズされた対話 Corpus Ubuntu (P-Ubuntu) とパーソナライズされたWeiboデータセット (P-Weibo) のモデルを評価する。
論文 参考訳（メタデータ） (2021-03-17T09:42:11Z) - 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) - Topic-Aware Multi-turn Dialogue Modeling [91.52820664879432]
本稿では,トピック認識発話を教師なしでセグメント化して抽出する,多元対話モデリングのための新しいソリューションを提案する。
トピック・アウェア・モデリングは、新たに提案されたトピック・アウェア・セグメンテーション・アルゴリズムとトピック・アウェア・デュアル・アテンション・マッチング(TADAM)ネットワークによって実現されている。
論文 参考訳（メタデータ） (2020-09-26T08:43:06Z)
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。