論文の概要: TopicMerge: A Divide and Conquer Approach to Topic Modeling
- arxiv url: http://arxiv.org/abs/2610.19323v1
- Date: Wed, 14 Oct 2026 00:01:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.857022
- Title: TopicMerge: A Divide and Conquer Approach to Topic Modeling
- Title（参考訳）: TopicMerge: トピックモデリングへの分断的かつコンカレントなアプローチ
- Abstract要約: 本稿では,最先端クラスタリング性能と計算効率を実現するための,新しいマルチステージパイプラインであるTopicMergeを紹介する。
BillsとWikiデータセットの実験によると、TopicMergeは最先端のクラスタリングのパフォーマンスを実現し、必要なLarge Language Modelコールを92%以上削減している。
- 参考スコア（独自算出の注目度）: 8.668012341094494
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advancements in topic modeling have split into two main paths: efficient embedding-based methods that offer scalability but are often outperformed on standard clustering metrics, and Large Language Model (LLM) approaches that achieve state-of-the-art clustering performance but at the cost of prohibitive computational expense and poor scalability. This paper introduces TopicMerge, a novel multi-stage pipeline that bridges these approaches to achieve both state-of-the-art clustering performance and computational efficiency. TopicMerge first employs an efficient clustering pipeline to deliberately over-segment a document corpus into a large set of fine-grained, semantically pure micro-clusters, which are then given initial semantic labels. It then introduces a novel, iterative merging algorithm where an LLM, guided by local neighborhood context, arbitrates on consolidating candidate pairs. These approved merges are then selectively executed and semantically relabeled by the LLM, hierarchically building broader, more coherent topics. Extensive experiments on the Bills and Wiki datasets show that TopicMerge achieves state-of-the-art clustering performance while reducing required LLM calls by over 92% compared to document-level methods, offering a practical and scalable solution.
- Abstract（参考訳）: トピックモデリングの最近の進歩は、スケーラビリティを提供するが、標準的なクラスタリングのメトリクスよりも優れている効率的な埋め込みベースのメソッドと、最先端のクラスタリング性能を実現する大規模言語モデル(LLM)アプローチだが、計算コストの禁止とスケーラビリティの低下という2つの主要なパスに分かれている。
本稿では,最新のクラスタリング性能と計算効率の両方を達成するために,これらのアプローチをブリッジする,新しいマルチステージパイプラインであるTopicMergeを紹介する。
TopicMergeは最初、効率的なクラスタリングパイプラインを使用して、ドキュメントコーパスを意図的に細粒度でセマンティックに純粋なマイクロクラスタに分割し、初期セマンティックラベルを付与する。
次に、局所的な近傍コンテキストによって導かれるLCMが、統合された候補ペアを仲裁する、新しい反復的マージアルゴリズムを導入する。
これらの承認されたマージは、LLMによって選択的に実行され、意味論的に許容され、階層的により広くより一貫性のあるトピックを構築する。
BillsとWikiデータセットの大規模な実験によると、TopicMergeは最先端のクラスタリング性能を達成しつつ、必要なLCMコールをドキュメントレベルのメソッドと比較して92%以上削減し、実用的でスケーラブルなソリューションを提供している。
関連論文リスト
- PRISM: LLM-Guided Semantic Clustering for High-Precision Topics [0.2676349883103403]
PRISMは、LLMが取得したリッチ表現の利点と、潜在セマンティッククラスタリング手法の低コストと解釈可能性を組み合わせた、構造化されたトピックモデリングフレームワークである。
PRISMは、最先端のローカルトピックモデルや、大規模なフロンティア埋め込みモデルでのクラスタリングでさえ、トピック分離性を改善する。
論文 参考訳（メタデータ） (2026-04-03T16:56:47Z) - ClusterFusion: Hybrid Clustering with Embedding Guidance and LLM Adaptation [52.794544682493814]
大規模言語モデル(LLM)は、強いコンテキスト推論を提供するが、以前の作業では、組み込みを洗練したりクラスタ境界を調整するために、主に補助モジュールとして使用していた。
本稿では,LLMをクラスタリングコアとして扱うハイブリッドフレームワークであるClusterFusionを提案する。
3つの公開ベンチマークと2つの新しいドメイン固有のデータセットの実験は、ClusterFusionが標準的なタスクで最先端のパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2025-12-04T00:49:43Z) - LLM-MemCluster: Empowering Large Language Models with Dynamic Memory for Text Clustering [52.41664454251679]
大規模言語モデル(LLM)は、テキストクラスタリングを行う前例のない能力を提供することで、教師なしの学習を再構築している。
既存のメソッドは、しばしば外部モジュールを持つ複雑なパイプラインに依存し、真にエンドツーエンドのアプローチを犠牲にする。
LLM-MemClusterは,クラスタリングをLLMネイティブタスクとして再認識する新しいフレームワークである。
論文 参考訳（メタデータ） (2025-11-19T13:22:08Z) - LLM-guided Hierarchical Retrieval [54.73080745446999]
LATTICEは階層的な検索フレームワークであり、LLMは対数探索の複雑さで大きなコーパスを推論し、ナビゲートすることができる。
LLM誘導探索における中心的な課題は、モデルの関連性判断がノイズが多く、文脈に依存し、階層性に気付かないことである。
我々のフレームワークは、推論集約型BRIGHTベンチマークで最先端のゼロショット性能を実現する。
論文 参考訳（メタデータ） (2025-10-15T07:05:17Z) - Context-Aware Hierarchical Taxonomy Generation for Scientific Papers via LLM-Guided Multi-Aspect Clustering [59.54662810933882]
既存の分類体系の構築手法は、教師なしクラスタリングや大きな言語モデルの直接的プロンプトを利用しており、コヒーレンスと粒度の欠如が多かった。
LLM誘導型マルチアスペクト符号化と動的クラスタリングを統合したコンテキスト対応階層型階層型分類生成フレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-23T15:12:58Z) - An Enhanced Model-based Approach for Short Text Clustering [58.60681789677676]
Twitter、Google+、Facebookなどのソーシャルメディアの人気が高まり、短いテキストのクラスタリングがますます重要になっている。
既存の手法は、トピックモデルに基づくアプローチと深層表現学習に基づくアプローチの2つのパラダイムに大別することができる。
短文の空間性と高次元性を効果的に扱えるDirichlet Multinomial Mixture Model (GSDMM) のギブスサンプリングアルゴリズムを提案する。
さらなる改良を保証しているGSDMMのいくつかの側面に基づいて,さらなる性能向上を目的とした改良されたアプローチであるGSDMM+を提案する。
論文 参考訳（メタデータ） (2025-07-18T10:07:42Z) - Cequel: Cost-Effective Querying of Large Language Models for Text Clustering [15.179854529085544]
テキストクラスタリングは、文書の集合を言語的特徴に基づく一貫性のあるグループに自動的に分割することを目的としている。
大規模言語モデル(LLM)の最近の進歩は、高品質な文脈適応型埋め込みを提供することにより、この分野を著しく改善している。
LLMクエリの限られた予算下で正確なテキストクラスタリングを実現するための費用効率のよいフレームワークであるCequelを提案する。
論文 参考訳（メタデータ） (2025-04-22T06:57:49Z) - Text Clustering as Classification with LLMs [9.128151647718251]
本稿では,大規模言語モデルの文脈内学習機能を活用することで,テキストクラスタリングを分類タスクとして再編成するフレームワークを提案する。
LLMの高度な自然言語理解と一般化機能を活用することで,人間の介入を最小限に抑えた効果的なクラスタリングを実現する。
多様なデータセットに対する実験結果から,我々のフレームワークは,最先端の組込みクラスタリング技術に匹敵する,あるいは優れた性能を達成できることが示された。
論文 参考訳（メタデータ） (2024-09-30T16:57:34Z) - Unsupervised Multimodal Clustering for Semantics Discovery in Multimodal Utterances [24.142013877384603]
本稿では,新しい教師なしマルチモーダルクラスタリング手法 (UMC) を提案する。
UMCは、マルチモーダルデータのための拡張ビューを構築するためのユニークなアプローチを導入し、事前トレーニングを実行するために使用される。
我々は、最先端の手法よりもクラスタリングメトリクスの2-6%のスコアが顕著に改善され、この領域で最初の成功例となった。
論文 参考訳（メタデータ） (2024-05-21T13:24:07Z) - Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。
我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
論文 参考訳（メタデータ） (2020-10-22T15:58:35Z)
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。