この記事では、Neural Topic Modelingについて調べたことをまとめます。 個人的解釈が多少含まれる記事となっていますので、気になる点がありましたら記事へのコメントやTwitterでリプライをいただければと思います。 Twitter : @m3yrin TL;DR 従来の確率生成モデルとしてのトピックモデルに対して、Neural Topic Modeling(NTM)の強みを説明します。 PyTorchによってNTMの簡易な実装を行い、コードを公開します。 従来手法としてLDAでTopic Modelingを行い、NTMとの比較を行います。 トピックモデルとは トピックモデルは、文書集合で話題となっているトピックを、同じ文書で現れやすい語彙として抽出する手法です。 文書のメタ情報の抽出や、トピックを使って文書の分類に使用できます。 (岩田具治, トピックモデル 機械学習プロフ
![Neural NetworkによるTopic Modelingとその実装 - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/822dc6a7f8c50e9d5428355c3f1e041a03f77241/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Farticle-ogp-background-412672c5f0600ab9a64263b751f1bc81.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk3MiZoPTM3OCZ0eHQ9TmV1cmFsJTIwTmV0d29yayVFMyU4MSVBQiVFMyU4MiU4OCVFMyU4MiU4QlRvcGljJTIwTW9kZWxpbmclRTMlODElQTglRTMlODElOUQlRTMlODElQUUlRTUlQUUlOUYlRTglQTMlODUmdHh0LWFsaWduPWxlZnQlMkN0b3AmdHh0LWNvbG9yPSUyMzIxMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT01NiZzPTdhNWM1NTFiZDQzMmJmYjc5OGVlZmFlMDAyMjgwZDI2%26mark-x%3D142%26mark-y%3D57%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZoPTc2Jnc9NzcwJnR4dD0lNDBtM3lyaW4mdHh0LWNvbG9yPSUyMzIxMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT0zNiZ0eHQtYWxpZ249bGVmdCUyQ3RvcCZzPTk5NjA2OTU2ZTczMDE4YjQ5YmM3YTQ2Nzg1NTZkNTg5%26blend-x%3D142%26blend-y%3D486%26blend-mode%3Dnormal%26s%3D4cdb716b6af630b1900b708c3a7634ef)