Полу-контролиран LDA модел на теми
Полу-контролираният LDA разширява стандартното Латентно Дирихле разпределение, като включва малко количество надзор — начални думи, етикетирани документи или ограничения за думи тип „трябва да са заедно“/„не могат да бъдат заедно“ — за насочване на откриването на теми към семантично кохерентни, интерпретируеми теми. Той свързва неконтролираното моделиране на теми и напълно контролираната класификация на текст, което го прави особено ценен, когато пълната анотация е скъпа.
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
- Ramage, D., Hall, D., Nallapati, R., & Manning, C. D. (2009). Labeled LDA: A supervised topic model for credit attribution in multi-labeled corpora. Proceedings of EMNLP, 248–256. link ↗
- Andrzejewski, D., Zhu, X., & Craven, M. (2009). Incorporating domain knowledge into topic modeling via Dirichlet Forest priors. Proceedings of ICML, 25–32. DOI: 10.1145/1553374.1553378 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Semi-supervised Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/bg/deep-learning/semi-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
- Полуавтоматичен тематичен модел с Неотрицателна Матрична Факторизация (NMF)Дълбоко обучение↔ compare
- Трансформер с полунаблюдавано обучениеДълбоко обучение↔ compare
- Вграждане на изреченияДълбоко обучение↔ compare
- Тематично моделиранеДълбоко обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →