BERTopic — Neural Topic Modeling
BERTopic er en neural emnemodelleringspipeline introduceret af Maarten Grootendorst i 2022. Den kombinerer BERT-baserede kontekstuelle indlejringer med UMAP-dimensionsreduktion og HDBSCAN-klyngedannelse for at producere sammenhængende, dynamiske emner, der opnår højere emnesammenhæng end klassiske emnemodeller.
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
- Grootendorst, M. (2022). BERTopic: Neural topic modeling with a class-based TF-IDF procedure. arXiv:2203.05794. DOI: 10.48550/arXiv.2203.05794 ↗
- McInnes, L., Healy, J. & Astels, S. (2017). hdbscan: Hierarchical density based clustering. Journal of Open Source Software, 2(11), 205. DOI: 10.21105/joss.00205 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 1). BERTopic — Neural Topic Modeling. ScholarGate. https://scholargate.app/da/text-mining/topic-modeling-bertopic
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-indlejringerTekstmining↔ compare
- DokumentklyngningTekstmining↔ compare
- SentimentanalyseTekstmining↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →