Asignación Latente de Dirichlet (LDA)
La Asignación Latente de Dirichlet (LDA, por sus siglas en inglés) es un modelo probabilístico generativo para colecciones de datos discretos, introducido por Blei, Ng y Jordan en 2003. Trata cada documento como una mezcla de temas latentes y cada tema como una distribución de probabilidad sobre palabras, lo que permite el descubrimiento no supervisado de la estructura temática en grandes corpus de texto. Es uno de los artículos más citados en aprendizaje automático y procesamiento del lenguaje natural.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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
Cómo citar esta página
ScholarGate. (2026, June 3). Latent Dirichlet Allocation (LDA — Blei, Ng & Jordan 2003). ScholarGate. https://scholargate.app/es/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.
- Agrupamiento K-MeansAprendizaje automático↔ compare
- Factorización de Matrices No Negativas (NMF)Aprendizaje automático↔ compare
- Word2VecMinería de texto↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →