Model de Tòpics LDA Semi-Supervisat
L'LDA semi-supervisat estén l'Anàlisi Dirichlet Latent (LDA) estàndard incorporant una petita quantitat de supervisió —paraules clau, documents etiquetats o restriccions de paraules de tipus 'ha de vincular'/'no pot vincular'— per guiar el descobriment de tòpics cap a temes semànticament coherents i interpretables. Ponta entre la modelització de tòpics no supervisada i la classificació de text totalment supervisada, fent-lo especialment valuós quan l'anotació completa és costosa.
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
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Semi-supervised Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/ca/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.
- Classificació basada en BERTAprenentatge profund↔ compare
- Model de temes LDAAprenentatge profund↔ compare
- Model de Tòpics NMF Semi-supervisatAprenentatge profund↔ compare
- Transformer semi-supervisatAprenentatge 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 →