Самообучаващ се LDA модел за теми
Самообучаващият се LDA комбинира вероятностната генеративна рамка на Latent Dirichlet Allocation със сигнали за предварително обучение чрез самообучение — като предсказване на маскирани думи или контрастни цели за документи — за насочване на откриването на теми без необходимост от ръчно етикетирани обучителни данни. Резултатът са тематични представяния, които едновременно са основани на дистрибутивни статистики и обогатени от езиковата структура, научена от суров текст.
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
- Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993–1022. link ↗
- Meng, Y., Huang, J., Zhang, Y., & Han, J. (2022). Topic Discovery via Latent Space Clustering of Pretrained Language Model Representations. Proceedings of WWW 2022, ACM. DOI: 10.1145/3485447.3512034 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Self-supervised Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/bg/deep-learning/self-supervised-lda-topic-model
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
- Тематичен модел с ЛДАДълбоко обучение↔ compare
- Тематичен модел с НМФДълбоко обучение↔ compare
- Полу-контролиран LDA модел на темиДълбоко обучение↔ compare
- Вграждане на изреченияДълбоко обучение↔ compare
- Тематично моделиранеДълбоко обучение↔ compare
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →