[論文レビュー] Unsupervised Graph-based Topic Modeling from Video Transcriptions.

Lukas Stappen, Gerhard Hagerer+2 more|arXiv (Cornell University)|May 4, 2021

Topic Modeling被引用数 1

ひとこと要約

本稿では、ニューラル単語埋め込みとグラフクラスタリングを活用して、事前にトピック数を指定せずに一貫性のあるトピックを発見する、非教師ありグラフベースのトピックモデリング手法を提案する。MuSe-CaRおよびテキストのみのレビュー・データセットで評価した結果、ベースラインを上回り、マルチモーダルおよび純粋なテキストデータの両方で効果的に一般化している。

ABSTRACT

To unfold the tremendous amount of audiovisual data uploaded daily to social media platforms, effective topic modelling techniques are needed. Existing work tends to apply variants of topic models on text data sets. In this paper, we aim at developing a topic extractor on video transcriptions. The model improves coherence by exploiting neural word embeddings through a graph-based clustering method. Unlike typical topic models, this approach works without knowing the true number of topics. Experimental results on the real-life multimodal data set MuSe-CaR demonstrates that our approach extracts coherent and meaningful topics, outperforming baseline methods. Furthermore, we successfully demonstrate the generalisability of our approach on a pure text review data set.

研究の動機と目的

• ソーシャルメディア・プラットフォームにおける大規模な動画トランスクリプションから意味のあるトピックを抽出する課題に対処すること。
• 事前に真のトピック数を必要としないトピックモデリング手法を開発すること。
• ニューラル単語埋め込みとグラフベースのクラスタリング技術を統合することで、トピックの一貫性を向上させること。
• 本手法の有効性をマルチモーダル動画データおよび純粋なテキストレビュー・データセット上で評価すること。

提案手法

• ノードが単語を表し、エッジがニューラル単語埋め込みから導出された意味的類似度で重み付けされたグラフを構築する。
• トピックの発見は、事前にトピック数を指定せずに意味的に関連する単語を一貫性のあるトピックにグループ化するグラフクラスタリングによって実施する。
• 動画トランスクリプション内の単語間の意味的関係を捉えるために、事前学習済みの単語埋め込みを活用する。
• グラフ上でクラスタリングを適用し、明確に分離された部分グラフ（密集部分）を個別のトピックとして同定する。
• 教師なしの枠組みとして設計されており、ラベル付きデータやトピック数の指定を一切不要としている。

実験結果

リサーチクエスチョン

• RQ1 事前にトピック数を知らなくても、単語埋め込みのグラフベースのクラスタリングが動画トランスクリプションから一貫性のあるトピックを抽出できるか？
• RQ2 本手法は、動画トランスクリプションデータにおいて、ベースラインのトピックモデルと比較してどの程度トピックの一貫性が向上するか？
• RQ3 本手法は、純粋なテキストレビュー・データセットへどの程度一般化可能か？
• RQ4 単語埋め込みの統合は、非教師あり設定においてトピック品質を向上させるか？

主な発見

• 提案手法は、マルチモーダル動画トランスクリプションデータセット MuSe-CaR において、ベースラインのトピックモデリング手法よりも高いトピック一貫性スコアを達成した。
• 本モデルは、トピック数を事前に指定することなく、動画トランスクリプションから意味的で解釈可能なトピックを効果的に発見した。
• 本手法は純粋なテキストレビュー・データセットに対しても良好に一般化され、異なるテキストモダリティ間で堅牢性を示した。
• 単語埋め込みを用いたグラフベースのクラスタリングは、従来のトピックモデルと比較して、トピック品質を顕著に向上させた。