「Twitterにおけるユーザの興味と話題の時間発展を考慮したオンライン学習可能なトピックモデルの提案」

［情報処理学会論文誌 数理モデル化と応用 Vol.7, No.1, pp.53-60］
［論文概要］

　本論文では，Twitterに適したトピックモデルを提案した．トピックモデルは，文書の生成過程をモデル化する手法として有効であるが，Twitter上の記事は一般的な文書と比較して異なる特徴を持つため，それらを捉えたモデル化が必要である．提案手法は，ユーザの投稿する記事が非常に短い，リアルタイム性が高い，ユーザの興味や主要な話題が時間と共に大きく変化するといったTwitterの特徴を捉えた仮定を置くことで，適切なモデル化を行った．また，日々大量に生成される記事に対して逐次学習を行うため，効率的であるという特徴を持つ．実験により，提案手法が従来よりも適切にモデル化できることを確認した．

［推薦理由］

　本論文では，Twitterに適したオンライン学習可能なトピックモデルと提案しており，既存のLatent Dirichlet Allocation (LDA) を効果的に改良し，オンライン学習可能な手法を提案している。本論文は査読の過程において，３名の査読者ともに１回で「採録」と判定されるなど，論文の質も高く，応用面での実用性も考慮し，論文賞として推薦するものである。なお，本論文と連動して研究会発表を行った研究会講演について，平成２６年度山下記念賞を受賞している。