Finjusteret LDA-emnemodel
Finjusteret LDA tilpasser en Latent Dirichlet Allocation-model, der er trænet på et stort generelt korpus, til et specifikt måldomæne ved at fortsætte inferens på domænespecifikke dokumenter. I stedet for at tilpasse LDA fra bunden, bruges de forudtrænede emne-ord-fordelinger som et informeret udgangspunkt, hvilket gør det muligt for modellen at opdage sammenhængende domæneemner hurtigere og med færre data end koldstartstræning.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993–1022. link ↗
- Hoffman, M., Bach, F. R., & Blei, D. M. (2010). Online Learning for Latent Dirichlet Allocation. Advances in Neural Information Processing Systems (NIPS), 23, 856–864. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Fine-Tuned Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/da/deep-learning/fine-tuned-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.
- Finjusteret BERT-baseret klassifikationDyb læring↔ compare
- LDA Emne-modelDyb læring↔ compare
- NMF Emne-modelDyb læring↔ compare
- SætningsindlejringerDyb læring↔ compare
- Emne-modelleringDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →