ニュースにおけるトピックのバースト特性の分析

• Item type: SIG Technical Reports(1)
• 公開日: 2011-11-14
• タイトル: ニュースにおけるトピックのバースト特性の分析
• タイトル / 言語: en
• タイトル: Analyzing Burst of Topics in News Stream
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: Web・アプリケーション
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_18gh
• 資源タイプ: technical report
• 著者所属: 筑波大学大学院システム情報工学研究科
• 著者所属: 筑波大学大学院システム情報工学研究科
• 著者所属: 筑波大学大学院システム情報工学研究科
• 著者所属: 北海道大学大学院情報科学研究科
• 著者所属(英): en
• 著者所属(英): Graduate School of Systems and Information Engineering, University of Tsukuba
• 著者所属(英): en
• 著者所属(英): Graduate School of Systems and Information Engineering, University of Tsukuba
• 著者所属(英): en
• 著者所属(英): Graduate School of Systems and Information Engineering, University of Tsukuba
• 著者所属(英): en
• 著者所属(英): Graduate School of Information Science and Technology, Hokkaido University
• 著者名: 高橋, 佑介; 横本, 大輔; 宇津呂, 武仁; 吉岡, 真治
• 著者名(英): Yusuke, Takahashi; Daisuke, Yokomoto; Takehito, Utsuro; Masaharu, Yoshioka
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 本論文では，時系列ニュースを対象として，情報集約を行うための二種類の方式として，バースト解析およびトピックモデルの2つの手法の考え方を組み合わせることにより，トピックのバーストを検出する方式を提案する．時系列ニュースにおけるバーストとは，世の中における特異な出来事に対応して，ある時期からその出来事に関連するニュース記事が急激に増加する現象を指す．バーストを検出するための代表的な手法として，Kleinbergのバースト解析が挙げられる．この手法においては，一般的に，バーストの検出はキーワード単位で行われる．一方，文書集合におけるトピックの分布を推定するものとしてLDA (latent Dirichlet allocation) やDTM (dynamic topic model) に代表されるトピックモデルがある．トピックモデルを適用することにより，ニュース記事集合全体の情報を，いくつかのトピックに集約することができる．以上の既存技術をふまえて，本論文では，DTMを用いて推定したトピックに対してバースト度を付与することで，トピック単位のバーストが検出可能であることを示す．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: Among various types of recent information explosion, that in news stream is also a kind of serious problems. This paper studies issues regarding two types of modeling of information flow in news stream, namely, burst analysis and topic modeling. First, when one wants to detect a kind of topics that are paid much more attention than usual, it is usually necessary for him/her to carefully watch every article in news stream at every moment. In such a situation, it is well known in the field of time series analysis that Kleinberg's modeling of bursts is quite effective in detecting burst of keywords. Second, topic models such as LDA (latent Dirichlet allocation) and DTM (dynamic topic model) are also quite effective in estimating distribution of topics over a document collection such as articles in news stream. This paper focuses on the fact that Kleinberg's modeling of bursts is usually applied only to bursts of keywords but not to those of topics. Then, based on Kleinberg's modeling of bursts of keywords, we propose how to measure bursts of topics estimated by a topic model such as LDA and DTM.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AN10115061
• 書誌情報: 研究報告自然言語処理（NL）; 巻 2011-NL-204, 号 6, p. 1-6, 発行日 2011-11-14
• Notice: SIG Technical Reports are nonrefereed and hence may later appear in any journals, conferences, symposia, etc.
• 出版者 / 言語: ja
• 出版者: 情報処理学会