Selbstüberwachtes LDA-Themenmodell
Selbstüberwachtes LDA kombiniert den probabilistischen generativen Rahmen von Latent Dirichlet Allocation mit selbstüberwachten Vortrainingssignalen – wie Masked-Word-Prediction oder kontrastiven Dokumentenzielen –, um die Themenfindung ohne handbeschriftete Trainingsdaten zu steuern. Das Ergebnis sind Themenrepräsentationen, die sowohl auf Verteilungsstatistiken basieren als auch durch Sprachstrukturen angereichert sind, die aus Rohtext gelernt wurden.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Self-supervised Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/de/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-basierte KlassifikationDeep Learning↔ compare
- LDA-ThemenmodellDeep Learning↔ compare
- NMF-ThemenmodellDeep Learning↔ compare
- Semi-supervised LDA Topic ModelDeep Learning↔ compare
- Sentence EmbeddingsDeep Learning↔ compare
- ThemenmodellierungDeep Learning↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →