Samoučící se LDA model témat
Samoučící se LDA kombinuje pravděpodobnostní generativní rámec latentní Dirichletovy alokace (LDA) se signály předtrénování pomocí samoučení — jako je predikce maskovaného slova nebo kontrastní dokumentové cíle — k řízení objevování témat bez nutnosti ručně označených trénovacích dat. Výsledkem jsou reprezentace témat, které jsou současně zakořeněny v distribučních statistikách a obohaceny o jazykovou strukturu naučenou ze surového textu.
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
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Self-supervised Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/cs/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.
- Klasifikace založená na BERTHluboké učení↔ compare
- Model témat LDAHluboké učení↔ compare
- Model témat NMFHluboké učení↔ compare
- Poloučený model témat LDAHluboké učení↔ compare
- Vektorové reprezentace větHluboké učení↔ compare
- Modelování tématHluboké učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →