Deep Temporal-Recurrent-Replicated- Softmax for Topical Trends over Time 文献紹介 2020/1/10 長岡技術科学大学 自然言語処理研究室 吉澤 亜斗武

Abstract ・ニューラルベースの動的トピックモデル RNN-Replicated Softmax Model (RNN-RSM)を提案 ・最先端のモデルと比較して精度、コヒーレンスが良く より一般化したモデルであることを示した。 ・SPANというメトリックを導入し、トピックの単語を時系列で 追跡 2

1. Introduction ・先行研究においてSoftmaxによって確率を求めるモデル RSM が従来のLDAよりも精度が良く、より一般化されていることが 知られている。 ・しかし、現在の動的トピックモデルではLDAをベースとした モデルであり、明示的に単語を追跡できていない。 ・RNN-RSMを提案し、特定のトピックに関する単語を長期に わたって明示的にモデル化した。 3

2. The RNN-RSM model 4

2. The RNN-RSM model 5 ෡ () = () =1 () () ∶ × () ∶ dictionary size overall the time step () ∶ document size

2. The RNN-RSM model 6

2. The RNN-RSM model 7

2. The RNN-RSM model 8

3.1 Dataset and Experimental Setup ACLとEMNLPの論文 ExpandRank を使用して各論文についてユニグラムとバイグラム を含む上位100個のキーフレーズを抽出し、辞書を作成 9

3.1 Dataset and Experimental Setup 10

3.2 Generalization in Dynamic Topic Models 11

3.4 Topic Interpretability 12

3.5 TTC: Trending Keywords over time SPAN : キーワード出現の最長シーケンスの長さ 13

3.5 TTC: Trending Keywords over time 14 言語モデルや機械翻訳 は昔からキワードであ る一方、ニューラルや 単語埋め込みは最近

3.5 TTC: Trending Keywords over time 15

3.5 TTC: Trending Keywords over time 16 LDAやRSMでは長期的なトピック（言 語モデルや機械翻訳）は完全には追跡で きなく、DTMは新しいトピック （ニューラルや単語埋め込み）には対応 できないが、RNN-RSMは両方とも対応 できる。

6 Conclusion 17 ・RNNと確率的グラフィカルモデルRSMに基づいた RNN-RSMを提案 ・従来のモデルより精度が高く一般化されたモデルであり、 コヒーレンスも高いことを示した。 ・よりトピックの追跡を説明するためにSPANを導入。 ・今後は、学習時間などの学習過程について調査し改善したい