Вероятностные тематические модели (курс лекций, К.В.Воронцов)

Материал из MachineLearning.

Содержание 1 Задачи анализа текстов. Вероятностные модели коллекций текстов 2 Вероятностный латентный семантический анализ 3 Модификации PLSA и оценивание качества тематических моделей 4 Методы оценивания качества вероятностных тематических моделей 5 Латентное размещение Дирихле LDA 6 Робастные тематические модели 7 Иерархические тематические модели 8 Тематические модели с выделением ключевых фраз 9 Многоязычные тематические модели 10 Распараллеливание алгоритмов обучения тематических моделей

Спецкурс читается студентам 2—5 курсов на кафедре «Математические методы прогнозирования» ВМиК МГУ с 2013 года.

От студентов требуются знания курсов линейной алгебры, математического анализа, теории вероятностей. Знание математической статистики, методов оптимизации и какого-либо языка программирования желательно, но не обязательно.

Задачи анализа текстов. Вероятностные модели коллекций текстов

Задачи классификации текстов.

• Коллекция текстовых документов. Векторное представление документа.
• Постановка задачи классификации текстов. Объекты, признаки, классы, обучающая выборка. Распознавание текстов заданной тематики. Анализ тональности. Частоты слов (терминов) как признаки. Линейный классификатор.
• Задача распознавание жанра текстов. Распознавание научных текстов. Примеры признаков.
• Задача категоризации текстов, сведение к последовательности задач классификации.

Задачи информационного поиска.

• Задача поиска документов по запросу. Инвертированный индекс. Косинусная мера сходства.
• Критерий текстовой релевантности TF-IDF. Вероятностная модель и вывод формулы TF-IDF.
• Задача ранжирования. Примеры признаков. Формирование обучающих выборок асессорами.

Униграммная модель документов и коллекции.

• Вероятностное пространство. Гипотезы «мешка слов» и «мешка документов». Текст как простая выборка, порождаемая вероятностным распределением. Векторное представление документа как эмпирическое распределение.
• Понятие параметрической порождающей модели. Принцип максимума правдоподобия.
• Униграммная модель документов и коллекции. Аналитическое решение задачи о стационарной точке функции Лагранжа. Частотные оценки условных вероятностей.

Литература: [1].

Вероятностный латентный семантический анализ

• Напоминания. Коллекция текстовых документов. Векторное представление документа. Задачи информационного поиска и классификации текстов.

Мотивации вероятностного тематического моделирования

• Идея перехода от вектора (терминов) к вектору тем. Цели тематического моделирования: поиск научной информации, агрегирование новостных потоков, формирование сжатых признаковых описаний документов для классификации и категоризации текстовых документов, решение проблем синонимии и омонимии.

Задача тематического моделирования.

• Вероятностное пространство. Тема как латентная (скрытая) переменная. Представление темы дискретным распределением на множестве слов.
• Модель смеси униграмм. Недостаток: каждый документ принадлежит только одной теме.
• Представление документа дискретным распределением на множестве тем. Гипотеза условной независимости. Порождающая модель документа как вероятностной смеси тем.
• Постановка обратной задачи восстановления параметров модели по данным.

Алгоритм вероятностного латентного семантического анализа (PLSA).

• Частотные оценки условных вероятностей терминов тем и тем документов. Формула Байеса для апостериорной вероятности темы. ЕМ-алгоритм.
• Принцип максимума правдоподобия, аналитическое решение задачи о стационарной точке функции Лагранжа, формулы M-шага.
• Рациональный ЕМ-алгоритм.

Проведение экспериментов на модельных данных.

• Процесс порождения терминов в документе. Генератор модельных (синтетических) данных.
• Генерация случайной величины из заданного дискретного распределения.
• Оценивание точности восстановления модельных данных.
• Проблема перестановки тем, венгерский алгоритм.
• Проблема неединственности матричного разложения, оценивание устойчивости решения.

Гипотеза разреженности.

• Проблема генерации реалистичных модельных данных.
• Эмпирические законы Ципфа, Ципфа-Мандельброта, Хипса.
• Гипотеза разреженности распределений терминов тем и тем документов.
• Гипотеза об усечённых распределениях терминов тем в документах как ослабление гипотезы условной независимости.
• Связь разреженности и единственности матричного разложения.

Задание.

1. Реализовать генератор модельных данных. Реализовать вычисление эмпирических распределений терминов тем и тем документов.
2. Реализовать оценки точности заданных распределений терминов тем и тем документов путём их сравнения с эмпирическими распределениями (с учётом перестановок тем). Вычислить оценки точности для исходных модельных распределений.
3. Реализовать оценки точности модели p(w|d).
4. Реализовать рациональный ЕМ-алгоритм.
5. Исследовать зависимости точности модели и точности восстановления от числа итераций и от числа тем в модели (отличающегося от числа тем в исходных данных).
6. Исследовать зависимость точности модели и точности восстановления от случайной инициализации. Построить распределения или доверительные интервалы точностей.
7. Исследовать, при которых условиях проблема неустойчивости не возникает.

Литература: [5].

Модификации PLSA и оценивание качества тематических моделей

Обобщённый ЕМ-алгоритм (GEM).

• Эвристика частых обновлений параметров.
• Проблема хранения трёхмерных матриц.
• Эвристика замены средних экспоненциальным сглаживанием.

Стохастический ЕМ-алгоритм (SEM).

• Эвристика замены апостериорного распределения несмещённым эмпирическим.
• Эксперименты по подбору оптимального числа сэмплирований.

Онлайновый ЕМ-алгоритм (OEM).

• Проблема больших данных.
• Эвристика разделения М-шага.
• Эвристика разделения коллекции на пачки документов.
• Добавление новых документов (folding-in).

Разреженный ЕМ-алгоритм.

• Гипотеза разреженности.
• Эвристика принудительного разреживания в ЕМ-алгоритме. Варианты реализации.

Способы учёта дополнительной информации (частичное обучение).

• Виды дополнительной информации: привязка документа к темам, привязка термина к темам, нерелевантность, переранжирование списков терминов темах и тем документов.
• Использование дополнительной информации для инициализации.
• Использование дополнительной информации в качестве поправок в ЕМ-алгоритме.

Задание.

1. В экспериментах на модельных данных сравнить оценки точности модели и точности восстановления для алгоритмов GEM, SEM, OEM.
2. Исследовать зависимость точности модели и точности восстановления от степени разреженности исходных модельных данных.
3. Исследовать влияние разреживания и частичного обучения на точность модели и точность восстановления.

Методы оценивания качества вероятностных тематических моделей

Реальные данные.

• Текстовые коллекции, библиотеки алгоритмов, источники информации.

Перплексия.

• Определение и интерпретация перплекcии.
• Перплексия контрольной коллекции. Проблема новых слов в контрольной коллекции.

Статистические тесты условной независимости.

• Методология проверки статистических гипотез. Критерий согласия хи-квадрат Пирсона. Матрица кросс-табуляции «термины–документы» для заданной темы.
• Проблема разреженности распределения. Эксперименты, показывающие неадекватность асимптотического распределения статистики хи-квадрат.
• Статистики модифицированного хи-квадрат, Кульбака-Лейблера, Хеллингера.
• Обобщённое семейство статистик Кресси-Рида.
• Алгоритм вычисления квантилей распределения статистики Кресси-Рида.
• Рекуррентное вычисление статистики Кресси-Рида.

Оценивание интерпретируемости тематических моделей.

• Корректность определения асессорами лишних терминов в темах и лишних тем в документах.

Оценивание качества темы.

• Чёткость темы: число типичных документов темы, число типичных терминов темы.
• Однородность (радиус) темы.
• Конфликтность темы (близость темы к другим темам).

Критерии качества классификации и ранжирования.

• Полнота, точность и F-мера в задачах классификации и ранжирования.
• Критерии качества ранжирования: MAP, DCG, NDCG.
• Оценка качества тематического поиска документов по их длинным фрагментам.

Визуализация тематических моделей.

Задание.

1. В экспериментах на реальных данных построить зависимости перплексии обучающей и контрольной коллекции от числа итераций и числа тем.

Латентное размещение Дирихле LDA

• Байесовская регуляризация. Свойства распределения Дирихле, сопряжённость с мультиномиальным распределением. Байесовский вывод. Сглаженные частотные оценки условных вероятностей.
• Сэмплирование Гиббса как вариант стохастического ЕМ-алгоритма.
• Численные методы оптимизации гиперпараметров.
• Сравнение LDA и PLSA, подвержен ли PLSA переобучению.

Робастные тематические модели

• Тематическая модель с фоном и шумом. Принцип максимума правдоподобия, аналитическое решение задачи о стационарной точке функции Лагранжа, формулы M-шага. Аддитивный и мультипликативный М-шаг.
• Эксперименты: робастная модель не нуждается в регуляризации и более устойчива к разреживанию.

Иерархические тематические модели

• Задачи категоризации текстов. Стандартный метод решения — сведение к последовательности задач классификации.

Тематическая модель с фиксированной иерархией.

• Вероятностная формализация отношения «тема–подтема». Принцип максимума правдоподобия, аналитическое решение задачи о стационарной точке функции Лагранжа, формулы M-шага.
• Дивергенция Кульбака–Лейблера.
• Несимметричность KL-дивергенции. Интерпретация KL-дивергенции как степени вложенности распределений. Оценивание силы связей «тема-подтема» KL-дивергенцией.

Иерархические процессы Дирихле.

• Оптимизация числа тем в плоской модели. Создание новых тем в иерархических моделях.

Сетевые иерархические модели.

• Возможность для темы иметь несколько родительских тем.
• Нисходящие и восходящие иерархические модели.

Тематические модели с выделением ключевых фраз

• Задачи предварительной обработки текстов. Очистка (номера страниц, переносы, опечатки, числовая информация, оглавление, таблицы и рисунки), лемматизация, удаление стоп-слов, удаление редких слов.
• Задача выделения терминов. Основные идеи: словари терминов, морфологический анализ предложений, поиск коллокаций, машинное обучение.
• Статистические оценки неслучайности. Вывод критерия C-Value.
• Морфологический анализатор.
• Тематические модели с учётом синонимии (эффект burstiness).

Многоязычные тематические модели

Распараллеливание алгоритмов обучения тематических моделей

Основная литература

1. Маннинг К., Рагхаван П., Шютце Х. Введение в информационный поиск. — Вильямс, 2011.
2. Воронцов К. В., Потапенко А. А. Регуляризация, робастность и разреженность вероятностных тематических моделей // Компьютерные исследования и моделирование 2012 Т. 4, №12. С 693–706.
3. Daud A., Li J., Zhou L., Muhammad F. Knowledge discovery through directed probabilistic topic models: a survey // Frontiers of Computer Science in China.— 2010.— Vol. 4, no. 2. — Pp. 280–301.

Дополнительная литература

1. Blei D. M., Ng A. Y., Jordan M. I. Latent Dirichlet allocation // Journal of Machine Learning Research. — 2003. — Vol. 3. — Pp. 993–1022.
2. Hofmann T. Probabilistic latent semantic indexing // Proceedings of the 22nd annual international ACM SIGIR conference on Research and development in information retrieval. — New York, NY, USA: ACM, 1999. — Pp. 50–57.
3. Hoffman M. D., Blei D. M., Bach F. R. Online Learning for Latent Dirichlet Allocation // NIPS, 2010. Pp. 856–864.
4. Zavitsanos E., Paliouras G., Vouros G. A. Non-parametric estimation of topic hierarchies from texts with hierarchical Dirichlet processes // Journal of Machine Learning Research. — 2011. — Vol. 12.— Pp. 2749–2775.

Конспект лекций: Voron-2013-ptm.pdf, 3 МБ (обновление 22 марта 2013).