Machine learningDeep learning / NLP / CV

Forklarlig emnemodellering

Forklarlig emnemodellering kombinerer uovervåget emneopdagelse — såsom LDA, NMF eller neurale varianter som BERTopic — med fortolkningsværktøjer (topordslister, kohærensscores, SHAP, attention-vægte), der gør de lærte emner gennemsigtige, auditerbare og kommunikerbare til domæneeksperter og interessenter ud over modelleringsteamet.

Åbn i MethodMindSnartVideoSnartDownload slides

Læs hele metoden

Kun for medlemmer

Log ind med en gratis konto for at læse dette afsnit.

Log ind

Method map

The neighbourhood of related methods — select a node to explore.

Forklarlig emnemodellering

BERT-baseret klassifikat…Forklarbar BERT-baseret…LDA Emne-model NMF Emne-model Sætningsindlejringer Emne-modellering

Kilder

Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993–1022. link ↗
Grootendorst, M. (2022). BERTopic: Neural topic modeling with a class-based TF-IDF procedure. arXiv preprint arXiv:2203.05794. link ↗

Sådan citerer du denne side

ScholarGate. (2026, June 3). Explainable Topic Modeling (Interpretable Latent Topic Discovery). ScholarGate. https://scholargate.app/da/deep-learning/explainable-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.

BERT-baseret klassifikationDyb læring↔ compare
Forklarbar BERT-baseret klassifikationDyb læring↔ compare
LDA Emne-modelDyb læring↔ compare
NMF Emne-modelDyb læring↔ compare
SætningsindlejringerDyb læring↔ compare
Emne-modelleringDyb læring↔ compare

Compare side by side →

Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →