Peenreguleeritud teemamodelleerimine
Peenreguleeritud teemamodelleerimine kohandab eelkoolitatud keelemudeleid – nagu BERT või Sentence-BERT – dokumentide kogumites peidetud teemade avastamiseks. Erinevalt klassikalistest tõenäosuslikest meetoditest (LDA, NMF) kasutab see rikkaid kontekstuaalseid sisendeid ja valikuliselt peenreguleerib alusmudelit domeenipõhiste korpuste abil, luues koherentsed ja semantiliselt tähenduslikumad teemad, eriti lühikeste tekstide või spetsialiseeritud domeenide puhul.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- Bianchi, F., Terragni, S., Hovy, D., Nozza, D., & Fersini, E. (2021). Cross-lingual Contextualized Topic Models with Zero-shot Learning. Proceedings of the 16th Conference of the European Chapter of the Association for Computational Linguistics, 1676–1683. DOI: 10.18653/v1/2021.eacl-main.143 ↗
- Grootendorst, M. (2022). BERTopic: Neural topic modeling with a class-based TF-IDF procedure. arXiv preprint arXiv:2203.05794. link ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Fine-Tuned Neural Topic Modeling with Pre-trained Language Models. ScholarGate. https://scholargate.app/et/deep-learning/fine-tuned-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.
- BERT-põhine klassifitseerimineSüvaõpe↔ compare
- BERT-põhine peenhäälestatud klassifikaatorSüvaõpe↔ compare
- LDA teemamudelSüvaõpe↔ compare
- NMF teemamudelSüvaõpe↔ compare
- Sentence EmbeddingsSüvaõpe↔ compare
- TeemamodelleerimineSüvaõpe↔ compare
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →