Modelování témat s doladěním
Modelování témat s doladěním přizpůsobuje předtrénované jazykové modely — jako BERT nebo Sentence-BERT — k objevování latentních témat ve sbírkách dokumentů. Na rozdíl od klasických pravděpodobnostních metod (LDA, NMF) využívá bohaté kontextové vnoření a volitelně doladí páteř na doménově specifických korpusech, čímž produkuje koherentnější a sémanticky smysluplnější témata, zejména u krátkých textů nebo specializovaných domén.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Fine-Tuned Neural Topic Modeling with Pre-trained Language Models. ScholarGate. https://scholargate.app/cs/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.
- Klasifikace založená na BERTHluboké učení↔ compare
- Klasifikace založená na doladěném BERTHluboké učení↔ compare
- Model témat LDAHluboké učení↔ compare
- Model témat NMFHluboké učení↔ compare
- Vektorové reprezentace větHluboké učení↔ compare
- Modelování tématHluboké učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →