[B! nlp][lda] syou6162のブックマーク

syou6162 id:syou6162

nlpとldaに関するsyou6162のブックマーク (9)

Interactive Topic Modeling を読む (Hu, Boyd-Graber and Satinoff ACL2011) - 木曜不足
9/3 の ACL 読み会で読む [Hu+ ACL11] Interactive Topic Modeling(ITM) の資料です(途中ですが力尽きましたすいません……)。【追記】ディリクレ木と Interactive Adding Constraints and Unassigning(←これがこの論文のキモ！) についての説明を追加しました。【／追記】 Interactive Topic Modeling(ITM) とは通常の LDA は教師無しであり、結果の制御は基本的にできない baseball と football が同じトピックに入って欲しいと思っても、うまく分類されない場合はパラメータを変えて試行錯誤するとか、分類後にトピックをクラスタリングするか ITM は LDA に「単語ＡとＢは同じトピックに入って欲しい」という制約を「後から」入れられるモデル Notatio
syou6162 2011/09/06
nlp

lda
リンク
Hierarchical Topic Models and the Nested Chinese Restaurant Process David M. Blei Thomas L. Grifﬁths blei@cs.berkeley.edu gruffydd@mit.edu Michael I. Jordan Joshua B. Tenenbaum jordan@cs.berkeley.edu jbt@mit.edu University of California, Berkeley Massa
Hierarchical Topic Models and the Nested Chinese Restaurant Process David M. Blei Thomas L. Grifﬁths blei@cs.berkeley.edu gruffydd@mit.edu Michael I. Jordan Joshua B. Tenenbaum jordan@cs.berkeley.edu jbt@mit.edu University of California, Berkeley Massachusetts Institute of Techno logy Berkeley, CA 94720 Cambridge, MA 02139 Abstract We address the probl em of learning topic hierarchies from data. Th
syou6162 2011/02/01
nlp

machine_learning

lda
リンク
Gibbs Sampling for LDA
Gibbs Sampling for LDA Lei Tang Department of CSE Arizona State University January 7, 2008 1 / 10 Graphical Representation α, β are ﬁxed hyper-parameters. We need to estimate parameters θ for each document and φ for each topic. Z are latent variables. This is diﬀerent from original LDA work. 2 / 10 Property of Dirichlet The expectation of Dirichlet is E(µk) = αk α0 where α0 = αk. 3 / 10 Gibbs Var
syou6162 2010/08/20
LDA

machine learning

nlp
リンク
http://www.arbylon.net/publications/text-est.pdf
syou6162 2010/08/19
nlp

machine learning

LDA
リンク
Latent Topic Models: The Gritty Details
syou6162 2010/08/19
LDA

machine learning

nlp
リンク
[機械学習] LDAのコードを書いてみた - tsubosakaの日記
昔書いたことがあったけど、どこかにいってしまったのでもう一度書いてみた。推論方法にはギブスサンプリングと変分ベイズの2つがあるけど、導出も実装もより楽なcollapsed gibbs sampling(Griffiths and Steyvers, PNAS, 2004)の方を採用。 Token.java package lda; public class Token { public int docId; public int wordId; public Token(int d , int w){ docId = d; wordId = w; } } LDA.java package lda; import java.util.*; public class LDA { int D; // number of document int K; // number of topic int
syou6162 2009/12/24
nlp

LDA
リンク
[機械学習] トピックモデル関係の論文メモ - tsubosakaの日記
最近読んだトピックモデル関係の論文のざっとしたメモ。内容については間違って理解しているところも多々あると思います。 (追記 12/24) 最後のほうに論文を読む基礎となる文献を追加しました。 Efficient Methods for Topic Model Inference on Streaming Document Collections (KDD 2009) 論文の話は2つあって一つ目がSparseLDAというCollapsed Gibbs samplerの省メモリかつ高速な方法の提案と2つ目はオンラインで文章が入力されるような場合において訓練データと新規データをどう使うかという戦略について述べて実験している。 Collapsed Gibbs samplerを高速化しようという論文はPorteous et al.(KDD 2008)でも述べられているけどそれよりも2倍ぐらい高速(通
syou6162 2009/12/24
最近トピックモデル周りを見ているけど、ここに書いてある付近で大体カバーできる気がする。tsubosakaさんすごい

LDA

machine_learning

nlp
リンク
http://www.pletscher.org/academics/undergraduate/talks/lda-slides.pdf
syou6162 2009/10/30
psliとかldaについてはこれはかなり分かりやすいし、数式もそれほどはしょってない

lda

nlp

tutorial
リンク
plda - Google Code
Code Archive Skip to content Google About Google Privacy Terms
syou6162 2009/06/03
algorithm

nlp

c++

machine_learning

LDA

ML
リンク
1

お知らせ

もっと読む

公式Twitter

@HatenaBookmark
リリース、障害情報などのサービスのお知らせ
@hatebu
最新の人気エントリーの配信

キーボードショートカット一覧

j次のブックマーク

k前のブックマーク

lあとで読む

eコメント一覧を開く

oページを開く

設定を変更しましたx