Finetunet emnemodellering
Finetunet emnemodellering tilpasser fortrænede sprogmodeller — såsom BERT eller Sentence-BERT — til at opdage latente emner i dokumentsamlinger. I modsætning til klassiske probabilistiske metoder (LDA, NMF) udnytter den rige kontekstuelle indlejringer og finjusterer valgfrit rygraden på domænespecifikke korpora, hvilket producerer mere sammenhængende og semantisk meningsfulde emner, især på korte tekster eller specialiserede domæner.
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
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Fine-Tuned Neural Topic Modeling with Pre-trained Language Models. ScholarGate. https://scholargate.app/da/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.
- BERT-baseret klassifikationDyb læring↔ compare
- 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 →