Schwache überwachte Themenmodellierung
Schwache überwachte Themenmodellierung integriert leichtgewichtige Domänenkenntnisse — typischerweise Saatwörter oder weiche Einschränkungen — in ein probabilistisches Themenmodell, um entdeckte Themen zu bedeutungsvollen Themen für Forscher zu lenken. Sie liegt zwischen vollständig unüberwachtem LDA und überwachten Klassifikatoren, erfordert weitaus weniger Annotationen als letztere, während sie interpretierbarere und domänenangepasstere Themen als erstere liefert.
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
- Jagarlamudi, J., Daume III, H., & Udupa, R. (2012). Incorporating Lexical Priors into Topic Models. Proceedings of EACL 2012, 204–213. link ↗
- Gallagher, R. J., Reing, K., Kale, D., & Ver Steeg, G. (2017). Anchored Correlation Explanation: Topic Modeling with Minimal Domain Knowledge. Transactions of the Association for Computational Linguistics, 5, 529–542. DOI: 10.1162/tacl_a_00078 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Weakly Supervised Topic Modeling (Seed-Guided / Constrained Topic Models). ScholarGate. https://scholargate.app/de/deep-learning/weakly-supervised-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.
- BERT-basierte KlassifikationDeep Learning↔ compare
- LDA-ThemenmodellDeep Learning↔ compare
- NMF-ThemenmodellDeep Learning↔ compare
- Semi-supervised Topic ModelingDeep Learning↔ compare
- ThemenmodellierungDeep Learning↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →