Svagt superviseret LDA-emnemodel
Svagt superviseret LDA er en udvidelse af Latent Dirichlet Allocation, der inkorporerer letvægts menneskelig vejledning — typisk nøgleordsfrø eller must-link/cannot-link-begrænsninger — i Dirichlet-priorerne, hvilket styrer lærte emner mod domænespecifikke, meningsfulde temaer uden at kræve fuldt mærkede dokumenter. Den placerer sig mellem fuldt uovervåget LDA og superviseret klassifikation, hvilket gør den velegnet til situationer, hvor det er upraktisk at mærke tusindvis af dokumenter.
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
- Jagarlamudi, J., Daume III, H., & Udupa, R. (2012). Incorporating Lexical Priors into Topic Models. Proceedings of the 13th Conference of the European Chapter of the Association for Computational Linguistics (EACL 2012), pp. 204–213. link ↗
- Andrzejewski, D., Zhu, X., & Craven, M. (2009). Incorporating Domain Knowledge into Topic Modeling via Dirichlet Forest Priors. Proceedings of the 26th International Conference on Machine Learning (ICML 2009), pp. 25–32. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Weakly Supervised Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/da/deep-learning/weakly-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.
- LDA Emne-modelDyb læring↔ compare
- NMF Emne-modelDyb læring↔ compare
- Semi-supervised LDA Topic ModelDyb læring↔ compare
- SætningsindlejringerDyb læring↔ compare
- Emne-modelleringDyb læring↔ compare
- Svagt superviseret BERT-baseret klassifikationDyb læring↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →