Modelatge de temes amb ajustament fi
El modelatge de temes amb ajustament fi (Fine-Tuned Topic Modeling) adapta models de llenguatge pre-entrenats — com BERT o Sentence-BERT — per descobrir temes latents en col·leccions de documents. A diferència dels mètodes probabilístics clàssics (LDA, NMF), aprofita embeddings contextuals rics i, opcionalment, ajusta el model base en corpus específics del domini, produint temes més coherents i semànticament significatius, especialment en textos curts o dominis especialitzats.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Fine-Tuned Neural Topic Modeling with Pre-trained Language Models. ScholarGate. https://scholargate.app/ca/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.
- Classificació basada en BERTAprenentatge profund↔ compare
- Classificació basada en BERT amb ajustament fiAprenentatge profund↔ compare
- Model de temes LDAAprenentatge profund↔ compare
- Model de tema NMFAprenentatge profund↔ compare
- Sentence EmbeddingsAprenentatge profund↔ compare
- Modelatge de temesAprenentatge profund↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →