論文の概要: Labeled Interactive Topic Models
- arxiv url: http://arxiv.org/abs/2311.09438v2
- Date: Wed, 7 Feb 2024 14:41:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-08 19:33:08.251890
- 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: 本稿では,ニューラルトピックモデルに対するユーザフレンドリなインタラクションを提案する。
このインタラクションにより、ユーザはトピックにワードラベルを割り当てることが可能になる。
提案手法は人間による研究によって評価され,ユーザ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 are valuable for understanding extensive document collections,
but they don't always identify the most relevant topics. Classical
probabilistic and anchor-based topic models offer interactive versions that
allow users to guide the models towards more pertinent topics. However, such
interactive features have been lacking in neural topic models. To correct this
lacuna, we introduce a user-friendly interaction for neural topic models. This
interaction permits users to assign a word label to a topic, leading to an
update in the topic model where the words in the topic become closely aligned
with the given label. Our approach encompasses two distinct kinds of neural
topic models. The first includes models where topic embeddings are trainable
and evolve during the training process. The second kind involves models where
topic embeddings are integrated post-training, offering a different approach to
topic refinement. To facilitate user interaction with these neural topic
models, we have developed an interactive interface. This interface enables
users to engage with and re-label topics as desired. 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、広範なドキュメントコレクションを理解するのに価値があるが、最も関連するトピックを常に特定するとは限らない。
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は、ユーザがより適切なトピックに向けてモデルをガイドできるインタラクティブバージョンを提供する。
しかし、そのようなインタラクティブな機能はニューラルトピックモデルに欠けている。
そこで我々は,ニューラルネットワークモデルに対するユーザフレンドリなインタラクションを提案する。
このインタラクションは、ユーザがトピックに単語ラベルを割り当てることを可能にし、トピック内の単語が与えられたラベルと密接に一致したトピックモデルの更新につながる。
我々のアプローチは2つの異なる種類の神経話題モデルを含んでいる。
1つ目は、トレーニングプロセス中にトピックの埋め込みがトレーニング可能で進化するモデルを含む。
2つ目のタイプは、トピック埋め込みがトレーニング後に統合され、トピックリファインメントに対する異なるアプローチを提供するモデルである。
これらのニューラルトピックモデルとのユーザインタラクションを容易にするために,対話型インタフェースを開発した。
このインターフェースにより、ユーザーは必要に応じてトピックに関わり、ラベルを変更できる。
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。