Εκχώρηση Δεσμευμένων Dirichlet (LDA)
Η Εκχώρηση Δεσμευμένων Dirichlet (LDA) είναι ένα παραγωγικό πιθανοτικό μοντέλο για συλλογές διακριτών δεδομένων, που εισήχθη από τους Blei, Ng και Jordan το 2003. Αντιμετωπίζει κάθε έγγραφο ως ένα μείγμα λανθανόντων θεμάτων και κάθε θέμα ως κατανομή πιθανότητας επί των λέξεων, επιτρέποντας την μη επιβλεπόμενη ανακάλυψη θεματικής δομής σε μεγάλες συλλογές κειμένων. Αποτελεί μία από τις πιο συχνά αναφερόμενες δημοσιεύσεις στη μηχανική μάθηση και την επεξεργασία φυσικής γλώσσας.
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. DOI: 10.5555/944919.944937 ↗
- Blei, D. M. (2012). Probabilistic topic models. Communications of the ACM, 55(4), 77–84. DOI: 10.1145/2133806.2133826 ↗
- Bishop, C. M. (2006). Pattern Recognition and Machine Learning (Ch. 9). Springer. ISBN: 978-0-387-31073-2
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Latent Dirichlet Allocation (LDA — Blei, Ng & Jordan 2003). ScholarGate. https://scholargate.app/el/machine-learning/latent-dirichlet-allocation
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.
- Συσταδοποίηση K-MeansΜηχανική Μάθηση↔ compare
- Μη-αρνητική Παραγοντοποίηση Μήτρας (NMF)Μηχανική Μάθηση↔ compare
- Word2VecΕξόρυξη Κειμένου↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →