Machine learningDeep learning / NLP / CV

Επεξηγήσιμη Μοντελοποίηση Θεμάτων

Η Επεξηγήσιμη Μοντελοποίηση Θεμάτων συνδυάζει την ανεξάρτητη ανακάλυψη θεμάτων — όπως LDA, NMF, ή νευρωνικές παραλλαγές όπως το BERTopic — με εργαλεία ερμηνευσιμότητας (λίστες κορυφαίων λέξεων, βαθμολογίες συνοχής, SHAP, βάρη προσοχής) που καθιστούν τα μαθημένα θέματα διαφανή, ελέγξιμα και επικοινωνήσιμα σε ειδικούς του πεδίου και σε ενδιαφερόμενους πέραν της ομάδας μοντελοποίησης.

Άνοιγμα στο MethodMindΣύντομαΒίντεοΣύντομαDownload slides

Διαβάστε ολόκληρη τη μέθοδο

Μόνο για μέλη

Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.

Σύνδεση

Method map

The neighbourhood of related methods — select a node to explore.

Πηγές

  1. Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993–1022. link
  2. Grootendorst, M. (2022). BERTopic: Neural topic modeling with a class-based TF-IDF procedure. arXiv preprint arXiv:2203.05794. link

Πώς να παραπέμψετε σε αυτή τη σελίδα

ScholarGate. (2026, June 3). Explainable Topic Modeling (Interpretable Latent Topic Discovery). ScholarGate. https://scholargate.app/el/deep-learning/explainable-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.

Compare side by side
ScholarGateExplainable Topic Modeling (Explainable Topic Modeling (Interpretable Latent Topic Discovery)). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/deep-learning/explainable-topic-modeling · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026