BERTopic — Neuronale Themenmodellierung
BERTopic ist eine Pipeline zur neuronalen Themenmodellierung, die 2022 von Maarten Grootendorst eingeführt wurde. Sie kombiniert BERT-basierte kontextuelle Einbettungen mit UMAP-Dimensionsreduktion und HDBSCAN-Clustering, um kohärente, dynamische Themen zu erzeugen und erzielt eine höhere Themenkohärenz als klassische Themenmodelle.
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
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 1). BERTopic — Neural Topic Modeling. ScholarGate. https://scholargate.app/de/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-EinbettungenText Mining↔ compare
- Dokumenten-ClusteringText Mining↔ compare
- Sentiment-AnalyseText Mining↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →