問題 No.5225
自然言語処理や文書分類において用いられるトピックモデルの一種であり、文書が複数の潜在的なトピックの混合から構成されていると仮定し、文書中の単語の出現確率から各文書のトピック分布と各トピックの単語分布を確率的に推定するアルゴリズムの名称はどれか。
【正解の解説】
LDA
本棚の本を想像してください。料理の本には「包丁」や「野菜」という単語が多く、旅行の本には「飛行機」や「ホテル」が多いはずです。LDAは、見ず知らずの本（文書）をパラパラとめくったときに、「この本は料理が70%、旅行が30%の割合で書かれているな」と、背後にあるテーマ（トピック）の割合を確率的に見つけ出す優秀な編集者のようなものです。
スポンサーリンク
【その他の選択肢の解説】
PCA
これはPCA（主成分分析）の説明であり、トピックモデルではなく次元削減の代表的な手法です。例えば、人の「身長」と「体重」という2つのデータから、その人の「体格」という新しい1つの軸を作り出すようなものです。自然言語処理の文書分類における確率的トピック推定とは目的が異なるため注意が必要です。
SVM
これはSVM（サポートベクトルマシン）の説明であり、画像認識やテキストの二値分類などで強力な威力を発揮する識別モデルです。LDAが「文書の中にどのようなトピックが隠れているか」という確率的な構造を探るのに対し、SVMは「スパムメールか否か」のように明確な正解ラベルを元に境界線を引くアプローチであり、目的が全く異なります。
RNN
これはRNN（再帰型ニューラルネットワーク）の説明であり、文章の単語の並びや株価の推移など、過去の情報が未来の予測に影響を与えるデータの処理得意としています。LDAが文書全体のトピックの割合を統計的に割り出す手法であるのに対し、RNNはディープラーニングを用いた時系列・順序情報のモデルであるため、全く異なる概念です。