Rによるテキストマイニング ―tidytextを活用したデータ分析と可視化の基礎

■

105

6

章

 

トピックモデリング

テキストマイニングでは、ブログ投稿や新聞記事といった文書のコレクションを

使うことがよくあります。こういったコレクションの内容は、自然なグループに分

類してグループごとに理解するようにしたいところです。トピックモデリングはそ

のような文書を教師なしで分類する方法で、数値データのクラスタリングとよく似

ています。何を探しているのかがはっきりしないときでも、要素の自然な分類方法

を探していきます。

潜在的ディリクレ配分法（

Latent Dirichlet Allocation

、

LDA

）は、特に広く使われ

ているトピックモデリングの手法です。

LDA

は、この種の文書をトピックの組み合

わせ、個々のトピックを単語の組み合わせとして扱います。このようにすると、文

書を別々のグループに厳格に分けてしまうのではなく、内容から見て文書が互いに

「重なり合う」ことを認められるようになります。自然

言語の一般的な使い方を反映

した方法だと言うことができるでしょう。

図6-1 が示すように、整理テキスト原則に従い、本書で今まで使ってきたのと同

じ整理ツールセットを使えば、トピックモデリングにもアプローチできます。この

章では、

topicmodels

パッケージ（

https://cran.r-project.org/package=topicmodels

）の

LDA

オブジェクトの操作方法を学びます。特に、モデルを整理して

ggplot2

や

dplyr

で操作できるようにすることに力を注ぎます。また、複数 ...