ある家電メーカーは、自社製品に寄せられた約5万件のレビューに潜在的ディリクレ配分法(LDA)を適用し、トピック数を10として、どのような話題が語られているかを分析した。この分析と結果の扱いに関する説明として、最も不適切なものを1つ選べ。
正解と解説を見る
解説
正解 D
この問題の論点：LDAによる文書の表し方
ポイント
LDAは文書を語順を無視した単語の出現回数の集まりとして扱い、各文書に含まれるトピックの割合を推定する教師なしの手法です。
選択肢ごとの解説
- A
適切
LDAが出力する各トピックは、単語の出現確率の分布です。トピックに名前は付かないため、確率の高い単語の顔ぶれを見て、人が意味を読み取ります。
- B
適切
LDAは、各文書が複数のトピックをそれぞれの割合で含むと考えます。k-means法のように、1件を1つのクラスタだけに割り当てる手法とは、この点が異なります。
- C
適切
基本的なLDAでは、トピック数は事前に決めるハイパーパラメータです。数を変えると話題の切り分け方が変わるため、解釈のしやすさなどを見比べて選びます。
- D
不適切 正解
LDAは文書を、単語の出現回数の集まり（Bag-of-Words）として扱い、語順は使いません。同じ単語を同じ回数ずつ含む2つの文は、LDAでは区別されません。
補足
同じLDAという略称で、線形判別分析(Linear Discriminant Analysis)という手法もあります。こちらはクラスラベルを使い、クラスをよく分ける軸を求める教師ありの手法で、トピックモデルとは別物です。文脈から、どちらを指すかを見分けます。
試験での狙われ方
「文書は複数のトピックの混ざり合い」「トピックは単語の分布」という考え方を、クラスタリングや分類と比べて問う形が典型です。