Фино настроено тематично моделиране
Фино настроеното тематично моделиране адаптира предварително обучени езикови модели — като BERT или Sentence-BERT — за откриване на латентни теми в колекции от документи. За разлика от класическите вероятностни методи (LDA, NMF), то използва богати контекстуални вграждания и по избор фино настройва основния модел върху специфични за домейна корпуси, произвеждайки по-кохерентни и семантично значими теми, особено при кратки текстове или специализирани домейни.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Bianchi, F., Terragni, S., Hovy, D., Nozza, D., & Fersini, E. (2021). Cross-lingual Contextualized Topic Models with Zero-shot Learning. Proceedings of the 16th Conference of the European Chapter of the Association for Computational Linguistics, 1676–1683. DOI: 10.18653/v1/2021.eacl-main.143 ↗
- Grootendorst, M. (2022). BERTopic: Neural topic modeling with a class-based TF-IDF procedure. arXiv preprint arXiv:2203.05794. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Fine-Tuned Neural Topic Modeling with Pre-trained Language Models. ScholarGate. https://scholargate.app/bg/deep-learning/fine-tuned-topic-modeling
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Класификация, базирана на BERTДълбоко обучение↔ compare
- Класификация, базирана на фино настроен BERTДълбоко обучение↔ compare
- Тематичен модел с ЛДАДълбоко обучение↔ compare
- Тематичен модел с НМФДълбоко обучение↔ compare
- Вграждане на изреченияДълбоко обучение↔ compare
- Тематично моделиранеДълбоко обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →