Model de tema LDA auto-supervisat
El LDA auto-supervisat combina el marc generatiu probabilístic de l'Anàlisi Dirichlet Latent (Latent Dirichlet Allocation, LDA) amb senyals de pre-entrenament auto-supervisat — com ara la predicció de paraules emmascarades o objectius de documents contrastius — per guiar el descobriment de temes sense necessitat de dades d'entrenament etiquetades manualment. El resultat són representacions de temes que estan simultàniament fonamentades en estadístiques de distribució i enriquides per l'estructura lingüística apresa a partir de text brut.
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
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Self-supervised Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/ca/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.
- Classificació basada en BERTAprenentatge profund↔ compare
- Model de temes LDAAprenentatge profund↔ compare
- Model de tema NMFAprenentatge profund↔ compare
- Model de Tòpics LDA Semi-SupervisatAprenentatge profund↔ compare
- Sentence EmbeddingsAprenentatge profund↔ compare
- Modelatge de temesAprenentatge profund↔ compare
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →