実践のLDA

Rで学ぶ自然言語処理入門

Kasey Jones

Research Data Scientist

LDA結果の確定

トピック数を選定
- パープレキシティ／他の指標
- 目的・状況に合う解

パープレキシティ

新しいデータへの当てはまりの良さの尺度
低いほど良い
モデル比較に使用
- LDAのパラメータ調整
- トピック数の選択

sample_size <- floor(0.90 * nrow(doc_term_matrix))
set.seed(1111)
train_ind <- sample(nrow(doc_term_matrix), size = sample_size)
train <- matrix[train_ind, ]
test <- matrix[-train_ind, ]

¹ https://en.wikipedia.org/wiki/Perplexity

Rでのパープレキシティ

library(topicmodels)
values = c()
for(i in c(2:35)){
  lda_model <- LDA(train, k = i, method = "Gibbs",
                   control = list(iter = 25, seed = 1111))
  values <- c(values, perplexity(lda_model, newdata = test))  
}

plot(c(2:35), values, main="Perplexity for Topics", 
     xlab="Number of Topics", ylab="Perplexity")

パープレキシティ再掲

パープレキシティは、新しいデータへの汎化の良さを測る指標です。

実務的な選定

何トピックまで扱えますか
- 20は対応が難しいかもしれません
結果をどう可視化しますか
- 5トピックの図は100トピックより見やすい
目安:
- 少数トピックで、各トピックを複数文書が表すようにする
- 多数トピックは、各トピックを十分に検討できる時間がある場合のみ

結果の活用

各トピックに対してレビューし「テーマ」を付与
- トピックの上位語を提示
- そのトピックの上位文書を提示

出力の確認

betas <- tidy(lda_model, matrix = "beta")
betas %>%
  filter(topic == 1) %>%
  arrange(desc(beta)) %>%
  select(term)

# A tibble: 2,000 x 1
   term    
   <chr>   
 1 athletic   
 2 quick 
 3 strong    
 4 tough    
...

gammas <- tidy(lda_model, matrix = "gamma")
gammas %>%
  filter(topic == 1) %>%
  arrange(desc(gamma)) %>%
  select(document)

# A tibble: 1,000 x 1
   document
   <chr>   
 1 232     
 2 292     
 3 921    
 4 643    
 5 468

出力の要約

gammas <- tidy(lda_model, matrix = "gamma")
gammas %>%
  group_by(document) %>%
  arrange(desc(gamma)) %>%
  slice(1) %>%
  group_by(topic) %>% 
  tally(topic, sort=TRUE)

  topic     n
1     1  1326
2     5  1215
3     4   804
...

さらに要約

gammas %>%
  group_by(document) %>%
  arrange(desc(gamma)) %>%
  slice(1) %>%
  group_by(topic) %>% 
  summarize(avg=mean(gamma)) %>%
  arrange(desc(avg))

  topic   avg
1     1 0.696
2     5 0.530
3     4 0.482
...

LDAの練習

Rで学ぶ自然言語処理入門