Μοντέλο Θέματος LDA με Αυτο-επιβλεπόμενη Μάθηση
Το Αυτο-επιβλεπόμενο LDA συνδυάζει το πιθανοτικό παραγωγικό πλαίσιο του Latent Dirichlet Allocation (LDA) με σήματα προ-εκπαίδευσης αυτο-επιβλεπόμενης μάθησης — όπως η πρόβλεψη καλυμμένων λέξεων ή αντικειμενικοί σκοποί αντίθεσης εγγράφων — για την καθοδήγηση της ανακάλυψης θεμάτων χωρίς την ανάγκη χειροκίνητα επισημασμένων δεδομένων εκπαίδευσης. Το αποτέλεσμα είναι αναπαραστάσεις θεμάτων που είναι ταυτόχρονα θεμελιωμένες σε κατανομικές στατιστικές και εμπλουτισμένες από τη γλωσσική δομή που μαθαίνεται από ακατέργαστο κείμενο.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Self-supervised Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/el/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.
- Ταξινόμηση Βασισμένη σε BERTΒαθιά Μάθηση↔ compare
- Μοντέλο Θεματικής Ενότητας LDAΒαθιά Μάθηση↔ compare
- Μοντέλο Θεμάτων NMFΒαθιά Μάθηση↔ compare
- Ημι-επιβλεπόμενο Μοντέλο Θεμάτων LDAΒαθιά Μάθηση↔ compare
- Ενσωματώσεις ΠροτάσεωνΒαθιά Μάθηση↔ compare
- Μοντελοποίηση ΘεμάτωνΒαθιά Μάθηση↔ compare
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →