トピックモデルは，単語をその共起関係からモデル化し，自動で文書のトピックを抽出可能な機械学習モデルである．Embedded Topic Model（ETM）はトピックモデルの一つであり，深層学習を用いてトピックと単語を同一空間上にEmbeddingする．ここで，文書ごとにトピック間に相関が存在すると考えられるが，ETMはトピック分布の推定時に各トピックが独立と仮定している．そこで本研究では，ETMのトピック割合に対してハウスホルダーフローを適用することで，トピック間の相関を表現可能にしたFlow-ETMを提案する．Flow-ETMは従来のETMよりも，より柔軟に入力文書に沿うトピック分布の生成が期待される．最後に文書データセットを用いた評価実験により，提案手法の有効性を確認した．