論文の概要: topicwizard -- a Modern, Model-agnostic Framework for Topic Model Visualization and Interpretation

• arxiv url: http://arxiv.org/abs/2505.13034v1
• Date: Mon, 19 May 2025 12:19:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.583985
• Title: topicwizard -- a Modern, Model-agnostic Framework for Topic Model Visualization and Interpretation
• Title（参考訳）: topicwizard -- トピックモデルの可視化と解釈のためのモダンでモデルに依存しないフレームワーク
• Authors: Márton Kardos, Kenneth C. Enevoldsen, Kristoffer Laigaard Nielbo,
• Abstract要約: 本稿では,モデルに依存しないトピックモデル解釈のためのフレームワークであるトピックウィザードを紹介する。 トピックモデルによって学習された文書、単語、トピック間の複雑な意味関係を調べるのに役立つ。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Topic models are statistical tools that allow their users to gain qualitative and quantitative insights into the contents of textual corpora without the need for close reading. They can be applied in a wide range of settings from discourse analysis, through pretraining data curation, to text filtering. Topic models are typically parameter-rich, complex models, and interpreting these parameters can be challenging for their users. It is typical practice for users to interpret topics based on the top 10 highest ranking terms on a given topic. This list-of-words approach, however, gives users a limited and biased picture of the content of topics. Thoughtful user interface design and visualizations can help users gain a more complete and accurate understanding of topic models' output. While some visualization utilities do exist for topic models, these are typically limited to a certain type of topic model. We introduce topicwizard, a framework for model-agnostic topic model interpretation, that provides intuitive and interactive tools that help users examine the complex semantic relations between documents, words and topics learned by topic models.
• Abstract（参考訳）: トピックモデル(英: Topic model)とは、テキストコーパスの内容に関する定性的かつ定量的な洞察を、近読を必要とせずに得る統計ツールである。 これらは、談話分析から事前学習データキュレーション、テキストフィルタリングまで、幅広い設定で適用することができる。 トピックモデルは一般的にパラメータリッチで複雑なモデルであり、これらのパラメータを解釈することはユーザにとって困難である。 特定のトピックに関する上位10の用語に基づいてトピックを解釈するのは、典型的なプラクティスである。 しかし、この単語のリスト・オブ・ワードのアプローチは、トピックの内容の限定的で偏りのある画像を提供する。 疑わしいユーザインターフェースの設計と視覚化は、ユーザがトピックモデルの出力をより完全かつ正確に理解するのに役立ちます。 いくつかの可視化ユーティリティはトピックモデルに対して存在するが、通常は特定のタイプのトピックモデルに限られる。 本稿では,モデルに依存しないトピックモデル解釈のためのフレームワークである「トピックウィザード」を紹介し,ユーザがトピックモデルで学習した文書,単語,トピック間の複雑な意味関係を調査するのに役立つ,直感的でインタラクティブなツールを提供する。

関連論文リスト

• Explaining Datasets in Words: Statistical Models with Natural Language Parameters [66.69456696878842]
  本稿では, クラスタリング, 時系列, 分類モデルなど, 自然言語の述語によってパラメータ化される統計モデル群を紹介する。 当社のフレームワークは、ユーザチャット対話の分類、時間の経過とともにどのように進化するかの特徴付け、一方の言語モデルが他方よりも優れているカテゴリを見つけることなど、幅広い問題に適用しています。
  論文  参考訳（メタデータ） (2024-09-13T01:40:20Z)
• 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)
• Prompting Large Language Models for Topic Modeling [10.31712610860913]
  大規模言語モデル(LLM)の高度な言語理解を活用する新しいトピックモデリング手法であるPromptTopicを提案する。 個々の文書から文章レベルでトピックを抽出し、これらのトピックを事前定義された量に集約して凝縮し、最終的に様々な長さのテキストに対して一貫性のあるトピックを提供する。 PromptTopicを3つの非常に多様なデータセットの最先端のベースラインに対してベンチマークし、意味のあるトピックを発見する能力を確立しました。
  論文  参考訳（メタデータ） (2023-12-15T11:15:05Z)
• Labeled Interactive Topic Models [10.555664965166232]
  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。
  論文  参考訳（メタデータ） (2023-11-15T23:18:01Z)
• 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)
• 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)
• Author Clustering and Topic Estimation for Short Texts [69.54017251622211]
  同じ文書中の単語間の強い依存をモデル化することにより、遅延ディリクレ割当を拡張できる新しいモデルを提案する。 同時にユーザをクラスタ化し、ホック後のクラスタ推定の必要性を排除しています。 我々の手法は、短文で生じる問題に対する従来のアプローチよりも、-または----------- で機能する。
  論文  参考訳（メタデータ） (2021-06-15T20:55:55Z)
• Query-Driven Topic Model [23.07260625816975]
  トピックモデルの望ましい特性の1つは、ユーザーがコーパスの特定の側面を記述するトピックを見つけることを可能にすることである。 本稿では,単語やフレーズで簡単なクエリを指定し,クエリ関連トピックを返却する,新しいクエリ駆動トピックモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-28T22:49:42Z)

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。