トピックモデルによる統計的潜在意味解析読書会 3.7 評価方法 - 3.9 モデル選択

1. 『トピックモデルによる統計的潜在意味解析』読書会
3.7 評価⽅方法 〜～ 3.9 モデル選択
@hoxo_m
2016/01/28
1

2. ⾃自⼰己紹介
• hoxo_m
• 所属：匿匿名知的集団ホクソエム

3. 本⽇日の内容
• 3.7 評価⽅方法
– 3.7.1 Perplexity
– 3.7.2 アルゴリズム別 Perplexity の計算⽅方法
– 3.7.3 新規⽂文書における Perplexity
– 3.7.4 Coherence
• 3.8 各種学習アルゴリズムの⽐比較
• 3.9 モデル選択
3

4. 3.7 評価⽅方法
• トピックモデルの評価指標として
Perplexity と Coherence の 2 つが広く
使われている。
• Perplexity：予測性能
• Coherence：トピックの品質
• 拡張モデルに対しては⽬目的に応じた評価
指標が使われる
4

5. Perplexity とは
• 辞書で引くと・・
– the feeling of being confused or worried by
something you cannot understand
(理理解できないものにより困惑する感覚)
5
http://www.ldoceonline.com/dictionary/perplexity
⇨ ⽇日本語で考えるのはやめよう

6. Perplexity とは
• ①〜～⑤の⽬目が出るスロットマシン
• 予測モデル M を作成
• 次に出たスロットの⽬目 n
• P(n | M) が⾼高いほど良良い予測モデル
• 予測モデルに従って正解を当てるための
困難さ = Perplexity
6

7. Perplexity とは
• 予測モデルがない場合
①1/5 ②1/5 ③1/5 ④1/5 ⑤1/5
• それぞれの⽬目が出る確率率率は等しい
• P(n) = 1/5
• 選択肢は 5 つ( = 1/P(n) )
• 5 つの中から 1 つを選ぶという困難さ
7

8. Perplexity とは
• 予測モデル M がある場合
①1/2 ②1/8 ③1/8 ④1/8 ⑤1/8
• 実際に出た⽬目が①だった ⇨ P(①|M) = 1/2
• ①が出る確率率率とその他が出る確率率率は等しい
• ①を選ぶかその他を選ぶか、選択肢が 2 つ
あったのと同じ
( = 2 つから 1 つを選ぶ困難さ)
8

9. Perplexity とは
• 予測モデル M がある場合
①1/2 ②1/8 ③1/8 ④1/8 ⑤1/8
• 実際に出た⽬目が②だった ⇨ P(②|M) = 1/8
• 正解するには他の選択肢の誘惑をすべて
振り切切る必要があった
• 誘惑度度：①4 ②1 ③1 ④1 ⑤1
• 選択肢が 8 つあったのと同じ困難さ
9

10. Perplexity とは
• Perplexity は、予測モデルに従って正解
を当てるためのある種の困難性である
• Perplexity が低いほど、困難性は⼩小さい
• Perplexity は、予測モデルにおける予測
確率率率の逆数である PPL = 1 / P(n | M)
• 選択肢が PPL 個あったのと同じ困難さ
10

11. Perplexity とは
• 予測モデルに反して②ばかり出ると、
Perplexity は予測なしより悪くなる
• 予測モデルに従って ①①①①②③④⑤ と
出た場合
• Perplexity の平均値は 5 (予測なしと同じ)
(2+2+2+2+8+8+8+8)/8 = 5
• この場合、幾何平均(相乗平均)を取るべき
(2*2*2*2*8*8*8*8)^(1/8) = 4
11

12. 3.7.1 Perplexity
• トピックモデルの Perplexity
• モデル M のもとで単語 w が得られる確率率率
の逆数
• PPL[w|M] = 1 / p(w | M)
• テストデータ中の全ての単語に対してこ
れを計算し、幾何平均(相乗平均)を取る
12

13. 13
⇦ 相乗平均
⇦ 対数尤度度

14. Perplexity の計算
• LDA において、単語の出現確率率率 p(w|M)
は、各トピックにおいて w が出現する
確率率率の積分
• Φk,w : トピック k における単語 w の出現確率率率
• θd,k : ⽂文書 d におけるトピック k の出現確率率率
14

15. 3.7.2 Perplexity の計算⽅方法
• 学習アルゴリズムによっては、Φk や θd が
求まらない(ベイズなので分布している)
① ギブスサンプリング
② 周辺化ギブスサンプリング
③ 変分ベイズ
④ 周辺化変分ベイズ
• 各種アルゴリズムにおける Perplexity の
計算⽅方法を⽰示す
15

16. ① ギブスサンプリング
• 求まるのは Φk および θd のサンプル
• サンプル全体の平均確率率率を出す
• S : サンプリング数
16

17. ② 周辺化ギブスサンプリング
• 求まるのは単語に割り当てられたトピック z の
サンプル
• ただし、nk,w および nd,k も同時にサンプリング
されるので、これを使えば近似的に Φk および
θd が求まる
17
※事前分布の情報を⼊入れよう！

18. ③ 変分ベイズ
• 求まるのは p(Φ, θ) の近似事後分布
q(Φ)q(θ)
18

19. ④ 周辺化変分ベイズ
• 求まるのは p(z) の近似事後分布 q(z)
• 同じ戦略略を取ると・・・
19

20. ④ 周辺化変分ベイズ
• この式は解析的には求まらない・・・
⇨ q(z) からサンプリングして近似計算？
• 細かいことは気にせず、変分ベイズとき
の式をそのまま使う！
20

21. 学習データとテストデータの分割
• モデルは学習データで学習し、Perplexity
はテストデータで計算する
• ⽂文書に対するトピックの出現率率率 θd を学習
するために、ひとつひとつの⽂文書を学習
データとテストデータに分割する
21
w11, w12, w13, ...
wi1, wi2, wi3, …
d1
di
・・・
w1_test1, …
wi_test1, …

22. 3.7.3 新規⽂文書における Perplexity
• 新規⽂文書に対しても、学習⽤用とテスト⽤用
に分ける
22
w11, w12, w13, ...
wi1, wi2, wi3, …
d1
di
・・・
wj1, wj2, wj3, …dj wj_test1, …
・・・
学
習
⽤用
テスト⽤用

23. 3.7.4 Coherence
• Coherence: 抽出されたトピックの品質
• 意味の近い単語が集まっているトピック
をより多く抽出できる⼿手法が良良いモデル
• 詳しくは LT で！
23

24. 本⽇日の内容
• 3.7 評価⽅方法
– 3.7.1 Perplexity
– 3.7.2 アルゴリズム別 Perplexity の計算⽅方法
– 3.7.3 新規⽂文書における Perplexity
– 3.7.4 Coherence
• 3.8 各種学習アルゴリズムの⽐比較
• 3.9 モデル選択
24

25. 3.8 各種アルゴリズムの⽐比較
学習アルゴリズム GS CGS VB CVB0
1反復復当りの計算
コスト
◯ ◉ ✖ ◯
学習に必要な反復復
回数
厳密には多い 厳密には多い 少ない 少ない
学習の収束判定 ✖ ✖ ◉ ◯
メモリコスト ◯ △ ◉ ✖
予測分布の計算コ
スト
✖ ✖ ◉ ◉
予測性能
(Perplexity)
◯ ◉ ✖ ◉
学習の並列列性 容易易に可 厳密には不不可 容易易に可 厳密には不不可
適⽤用可能性 ◉ △ ◯ △
25

26. 本⽇日の内容
• 3.7 評価⽅方法
– 3.7.1 Perplexity
– 3.7.2 アルゴリズム別 Perplexity の計算⽅方法
– 3.7.3 新規⽂文書における Perplexity
– 3.7.4 Coherence
• 3.8 各種学習アルゴリズムの⽐比較
• 3.9 モデル選択
26

27. 3.9 モデル選択
• LDA におけるトピック数の決定法
1. データを学習⽤用、テスト⽤用に分ける
2. 特定のトピック数を⽤用いて LDA を学習し、
テストデータで Perplexity を求める
3. LDA 学習時に必要な初期値を変えて学習を
繰り返し、Perplexity の平均を求める
4. トピック数で⽐比較し、最も良良いものを選ぶ
27

28. 3.9 モデル選択
• 変分ベイズ法の場合、変分下限がモデル
選択の基準になる
1. 特定のトピック数に対して LDA を学習し、
変分下限の値を求める
2. 初期値を変えて学習を繰り返し、変分下限の
値の平均を求める
3. トピック数で⽐比較し、最も良良いものを選ぶ
• 変分下限は学習データのみから求められ
るため、テストデータは必要無い
28

29. 3.9 モデル選択
• Perplexity の値は結構ばらつくので平均
値を求めているのかなぁと思いました。
• 参照：
LDA のパープレキシティを使うとき
29

30. まとめ
• 主要な LDA ライブラリは Perplexity を
計算してくれるので安⼼心してください！
• gensim: log_perplexity()
• scikit-learn: perplexity()
• MLlib: logPerplexity()
30