本発表では，自然言語処理分野の教師なし機械学習法である，潜在的ディリクレ 配分法（LDA）について，OCR文書分類を目的とした改良を行い， その成果につ いて述べる．
研究背景
近年，文書に含まれるトピック（話題）を高性能に抽出する手法として，LDAが
注目されている．しかし，OCR文書には誤認識文字など多くのノイ ズが含まれて
おり，LDAをOCR文書に直接適用すると，トピックの推定性能が低下してしまう問
題がある．
提案手法
LDAでは全単語を同一の重みで扱っており，誤認識単語がトピック推定のノイズ
となっていた．そこで本研究では，大規模コーパスから得られる単語 の隣接確
率を基に，単語の信頼度を定義する．LDAを拡張し，定義した信頼度をトピック
の推定に反映させ，OCR文書においても精度よくトピック を推定する手法を提案
する．
評価実験
実際のOCR文書を用いた評価実験を行った．各文書にはあらかじめ正解ラベルを
付与しておき，手法によって推定されたラベルと，正解ラベルとの一 致の割合
を分類精度として評価した．実験結果から，従来のLDAをそのまま用いる方法と
比べ，提案手法の性能が上回ることが示された．