Topic Modeling ist ein Verfahren der Textanalyse, das in großen Textsammlungen mithilfe von Statistik Themen findet. Es gehört zum Natural Language Processing und arbeitet ohne vorgegebene Kategorien, also als unüberwachtes maschinelles Lernen.
Wie funktioniert Topic Modeling?
Die Verfahren betrachten Texte als Sammlung von Wörtern und zählen, welche Wörter häufig gemeinsam auftreten. Wörter, die oft zusammen vorkommen, werden zu einem „Topic“ gruppiert. Jedes Dokument ergibt dann eine Mischung aus mehreren Topics, jedes Topic eine Verteilung über Wörter. Ein Topic besteht aus einer Wortliste. Den Namen vergibt ein Mensch, der die Wörter deutet.
Gängige Verfahren sind Latent Semantic Analysis (LSA), das mit Matrixzerlegung arbeitet, und Latent Dirichlet Allocation (LDA), ein statistisches Modell. LDA wurde 2003 von David Blei, Andrew Ng und Michael Jordan im Journal of Machine Learning Research veröffentlicht und wird weiterhin häufig eingesetzt (Einschätzung). Neuere Ansätze arbeiten mit Embeddings und Sprachmodellen.
Für SEO ist Topic Modeling ein Hilfsmittel für Content-Analysen. Wer viele Seiten oder Suchanfragen hat, kann damit Themengruppen finden und Lücken oder Überschneidungen erkennen (Einschätzung). Als Ranking-Verfahren von Google ist es nicht dokumentiert.
Beispiel
Ein Datensatz aus 2.000 Kundenfragen eines Versicherers wird mit LDA ausgewertet. Ein Topic enthält Wörter wie „Kündigung“, „Frist“, „Vertrag“ und „Schreiben“, ein anderes „Schaden“, „Meldung“, „Foto“, „Gutachter“. Das Team vergibt die Namen „Kündigung“ und „Schadenmeldung“ und plant für beide Themen eigene Ratgeber.
Häufige Fehler
- Zu wenige Texte. Laut MAXQDA-Handbuch sind mit weniger als 30 Dokumenten kaum inhaltlich bedeutsame Ergebnisse zu erwarten.
- Die Topics ungeprüft übernehmen, obwohl sie Wortlisten ohne Bedeutung sind und inhaltlich gedeutet werden müssen.
- Die Anzahl der Topics ohne Prüfung festlegen.
Häufige Fragen
Kann ein Sprachmodell Topic Modeling machen? Ja, aktuelle Forschung nutzt Sprachmodelle, unter anderem für die Bewertung der Ergebnisse. Die Qualität hängt von der Prüfung ab.
Quellen
- Latent Dirichlet Allocation – Blei, Ng, Jordan, JMLR 2003jmlr.org
- What is topic modeling? – IBMibm.com
- Topic model – Wikipedia (EN)en.wikipedia.org
- Topic Modeling – forTEXTfortext.net
- Topic Modeling – MAXQDA Hilfemaxqda.com
Stand: