Selv-overvåget LDA Emne Model
Selv-overvåget LDA kombinerer det probabilistiske generative rammeværk af Latent Dirichlet Allocation med selv-overvågede forudtræningssignaler — såsom maskeret-ord-forudsigelse eller kontrastive dokumentmål — til at guide emneopdagelse uden behov for manuelt annoterede træningsdata. Resultatet er emnerepræsentationer, der samtidigt er forankret i distributionelle statistikker og beriget af sprogstruktur lært fra rå tekst.
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 ↗
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Self-supervised Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/da/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.
- BERT-baseret klassifikationDyb læring↔ compare
- LDA Emne-modelDyb læring↔ compare
- NMF Emne-modelDyb læring↔ compare
- Semi-supervised LDA Topic ModelDyb læring↔ compare
- SætningsindlejringerDyb læring↔ compare
- Emne-modelleringDyb læring↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →