Multimodal Topic Modeling
Multimodal topic modeling opdager latent tematisk struktur, der deles på tværs af flere datamodaliteter — for eksempel samforekommende ord og billeder — ved at lære en fælles probabilistisk repræsentation, der afstemmer emner på tværs af modaliteter. Det udvider klassiske tekst-kun-tilgange som LDA til scenarier, hvor hvert dokument eller observation består af heterogene datatyper.
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., & Jordan, M. I. (2003). Modeling annotated data. Proceedings of the 26th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval, 127–134. DOI: 10.1145/860435.860460 ↗
- Ramage, D., Dumais, S., & Liebling, D. (2010). Characterizing microblogs with topic models. Proceedings of the Fourth International AAAI Conference on Weblogs and Social Media, 130–137. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Multimodal Topic Modeling (Joint Probabilistic Topic Discovery across Multiple Modalities). ScholarGate. https://scholargate.app/da/deep-learning/multimodal-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.
- LDA Emne-modelDyb læring↔ compare
- Multimodal BERT-baseret klassifikationDyb læring↔ compare
- Multimodale sætningsindlejringerDyb læring↔ compare
- Multimodal TransformerDyb læring↔ compare
- NMF Emne-modelDyb læring↔ compare
- Emne-modelleringDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →