トピックモデル(トピックモデル)

日々生成されるデータを「意味」のある情報としてとらえるための基礎技術を、その牽引役の 1 人が丁寧に解説した。離散確率分布の基礎から各種モデル、テキストデータにとどまらない応用事例までが 1 冊にまとまり、学びやすい。書籍初収録の例も豊富に含まれている。コンパクトでありながら、親切な記述なので、ついていける、読み通せる。

離散確率分布の基本から、各種モデル、応用事例、今後の展開までが 1 冊で見通せる。日々生成されるデータはそのままでは意味を成さない。機械がデータの意味を発見できる背景、理論、応用がわかる。

【機械学習プロフェッショナルシリーズ】
本シリーズでは、発展著しい機械学習技術の数学的な基礎理論、実用的なアルゴリズム、それらの活用法を、全 29 巻にわたって刊行する。
ビッグデータ時代を牽引している若手・中堅の現役研究者が、入門的な内容から最先端の研究成果までをわかりやすく解説。
これからデータサイエンス分野で研究を始めようとしている大学生・大学院生、および、機械学習技術を基礎科学や産業に応用しようとしている研究者・技術者に向けた注目のシリーズである。

全 29 巻のうち第 1 期として、以下の 4 点を同時刊行!

『機械学習のための確率と統計』杉山 将・著
『深層学習』岡谷 貴之・著
『オンライン機械学習』海野 裕也／岡野原 大輔／得居 誠也／徳永 拓之・著
『トピックモデル』岩田 具治・著

第 2 期の刊行は 2015 年 8 月、第 3 期の刊行は 2015 年 12 月の予定 (＾ o ＾) /

【シリーズ編者】
杉山 将 東京大学大学院新領域創成科学研究科 教授
シリーズの刊行にあたって
はじめに
第 1 章 確率の基礎
第 2 章 ユニグラムモデル
第 3 章 混合ユニグラムモデル
第 4 章 トピックモデル
第 5 章 トピックモデルの拡張:他の情報も利用する
第 6 章 トピックモデルの拡張:トピックに構造を入れる
第 7 章 文書以外のデータへの適用
第 8 章 トピック数の推定
付録 A 代表的な確率分布
参考文献
索引

大量の文書データから「何について書かれているか」を自動的に抽出する手法がトピックモデルです。本書は講談社の機械学習プロフェッショナルシリーズの一冊として、潜在ディリクレ配分法 (LDA) を中心にトピックモデルの理論を数学的に厳密に展開します。著者の岩田具治氏は NTT の研究所でこの分野を専門としており、確率的生成モデルとしてのトピックモデルの導出からギブスサンプリング・変分推論による推定手法までを、省略なく書き下しています。

読み通すには確率論とベイズ統計の基礎知識が前提となります。ディリクレ分布、多項分布、ベイズの定理に馴染みがない段階では、別の入門書で確率モデルの感覚を先に養ってから臨むのが現実的です。逆にその素養があれば、トピックモデルの全体像を一冊で見渡せる日本語文献として代えがたい存在になります。

応用としてはテキストマイニング、レコメンデーション、学術論文の自動分類など幅広い場面で使われる手法ですが、本書は応用事例よりも数理的な構造の理解に重きを置いています。実装のレシピを求めるというより、「なぜこのモデルが文書の潜在構造を捉えられるのか」を原理から納得したい読者に向いています。