お知らせ ◆電子情報通信学会における研究会開催について(新型コロナウイルス関連)
電子情報通信学会 研究会発表申込システム
講演論文 詳細
技報閲覧サービス
技報オンライン
‥‥ (ESS/通ソ/エレソ/ISS)
技報アーカイブ
‥‥ (エレソ/通ソ)
 トップに戻る 前のページに戻る   [Japanese] / [English] 

講演抄録/キーワード
講演名 2017-09-08 10:50
転職サイト会員アンケート分析への構造トピックモデルの適用性検討 ~ ベイジアンネット構造学習による特徴選択 ~
窪野哲光日吉のぞみ明石大樹パーソルキャリアNLC2017-25
抄録 (和) 人材サービス会社パーソルキャリアが運営する転職サイトDODAの「利用者・退会者アンケート」のテキスト分析に、構造トピックモデルとベイジアンネット構造学習を相補的に適用した検討結果について述べる。表現力豊かなトピックモデルである構造トピックモデルにより得られた、トピック相関、トピック~メタデータの共変量の関連性を、ベイジアンネット構造学習により特徴選択して可視化分析することが効果的であることを示す。更に、構造トピックモデルにより得られた文書のトピック配分「文書-トピック」行列は、「文書-語」行列の情報次元圧縮であることから、文書クラスタリングに適した文書ベクトルであることも示す。 
(英) We describe the result of examination applying Structural Topic Model and Bayesian net structure learning complementarily to text analysis of "user / withdrawal questionnaire" of job change site DODA operated by PERSOL CAREER. It is effective to visualize and analyze the relevance of topic correlation, topic ~ metadata covariates obtained by Structure Topic Model which is rich expressive topic by feature selection by Bayesian net structure learning. Furthermore, the topic allocation "document - topic" matrix of the document obtained by the Structure Topic Model is also a document vector suitable for document clustering because it is information dimension compression of the "document - word" matrix.
キーワード (和) 構造トピックモデル / ベイジアンネット構造学習 / 特徴選択 / 相互情報量 / スパースネス / グラフィカルモデル / 可視化テキスト分析 / 文書クラスタリング  
(英) Structural Topic Model / Bayesian net structure learning / feature selection / mutual information / sparseness / graphical model / visual text analysis / document clustering  
文献情報 信学技報, vol. 117, no. 207, NLC2017-25, pp. 53-58, 2017年9月.
資料番号 NLC2017-25 
発行日 2017-08-31 (NLC) 
ISSN Print edition: ISSN 0913-5685  Online edition: ISSN 2432-6380
著作権に
ついて
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します.(許諾番号:10GA0019/12GB0052/13GB0056/17GB0034/18GB0034)
PDFダウンロード NLC2017-25

研究会情報
研究会 NLC  
開催期間 2017-09-07 - 2017-09-08 
開催地(和) 成蹊大学 
開催地(英) Seikei University 
テーマ(和) 第11回 テキストアナリティクス・シンポジウム 
テーマ(英) The Eleventh Text Analytics Symposium 
講演論文情報の詳細
申込み研究会 NLC 
会議コード 2017-09-NLC 
本文の言語 日本語 
タイトル(和) 転職サイト会員アンケート分析への構造トピックモデルの適用性検討 
サブタイトル(和) ベイジアンネット構造学習による特徴選択 
タイトル(英) Applicability of Structural Topic Model to job search site VOC text analysis 
サブタイトル(英) Feature selection with Bayesian Network Structure Learning 
キーワード(1)(和/英) 構造トピックモデル / Structural Topic Model  
キーワード(2)(和/英) ベイジアンネット構造学習 / Bayesian net structure learning  
キーワード(3)(和/英) 特徴選択 / feature selection  
キーワード(4)(和/英) 相互情報量 / mutual information  
キーワード(5)(和/英) スパースネス / sparseness  
キーワード(6)(和/英) グラフィカルモデル / graphical model  
キーワード(7)(和/英) 可視化テキスト分析 / visual text analysis  
キーワード(8)(和/英) 文書クラスタリング / document clustering  
第1著者 氏名(和/英/ヨミ) 窪野 哲光 / Norimitsu Kubono / クボノ ノリミツ
第1著者 所属(和/英) パーソルキャリア (略称: パーソルキャリア)
PERSOL CAREER (略称: PERSOL CAREER)
第2著者 氏名(和/英/ヨミ) 日吉 のぞみ / Nozomi Hiyoshi / ヒヨシ ノゾミ
第2著者 所属(和/英) パーソルキャリア (略称: パーソルキャリア)
PERSOL CAREER (略称: PERSOL CAREER)
第3著者 氏名(和/英/ヨミ) 明石 大樹 / Daiju Akashi / アカシ ダイジュ
第3著者 所属(和/英) パーソルキャリア (略称: パーソルキャリア)
PERSOL CAREER (略称: PERSOL CAREER)
第4著者 氏名(和/英/ヨミ) / /
第4著者 所属(和/英) (略称: )
(略称: )
第5著者 氏名(和/英/ヨミ) / /
第5著者 所属(和/英) (略称: )
(略称: )
第6著者 氏名(和/英/ヨミ) / /
第6著者 所属(和/英) (略称: )
(略称: )
第7著者 氏名(和/英/ヨミ) / /
第7著者 所属(和/英) (略称: )
(略称: )
第8著者 氏名(和/英/ヨミ) / /
第8著者 所属(和/英) (略称: )
(略称: )
第9著者 氏名(和/英/ヨミ) / /
第9著者 所属(和/英) (略称: )
(略称: )
第10著者 氏名(和/英/ヨミ) / /
第10著者 所属(和/英) (略称: )
(略称: )
第11著者 氏名(和/英/ヨミ) / /
第11著者 所属(和/英) (略称: )
(略称: )
第12著者 氏名(和/英/ヨミ) / /
第12著者 所属(和/英) (略称: )
(略称: )
第13著者 氏名(和/英/ヨミ) / /
第13著者 所属(和/英) (略称: )
(略称: )
第14著者 氏名(和/英/ヨミ) / /
第14著者 所属(和/英) (略称: )
(略称: )
第15著者 氏名(和/英/ヨミ) / /
第15著者 所属(和/英) (略称: )
(略称: )
第16著者 氏名(和/英/ヨミ) / /
第16著者 所属(和/英) (略称: )
(略称: )
第17著者 氏名(和/英/ヨミ) / /
第17著者 所属(和/英) (略称: )
(略称: )
第18著者 氏名(和/英/ヨミ) / /
第18著者 所属(和/英) (略称: )
(略称: )
第19著者 氏名(和/英/ヨミ) / /
第19著者 所属(和/英) (略称: )
(略称: )
第20著者 氏名(和/英/ヨミ) / /
第20著者 所属(和/英) (略称: )
(略称: )
講演者
発表日時 2017-09-08 10:50:00 
発表時間 25 
申込先研究会 NLC 
資料番号 IEICE-NLC2017-25 
巻番号(vol) IEICE-117 
号番号(no) no.207 
ページ範囲 pp.53-58 
ページ数 IEICE-6 
発行日 IEICE-NLC-2017-08-31 


[研究会発表申込システムのトップページに戻る]

[電子情報通信学会ホームページ]


IEICE / 電子情報通信学会