Enesejärelevalvega LDA teemamudel
Enesejärelevalvega LDA (Latent Dirichlet Allocation) ühendab Latentse Dirichle jaotuse tõenäosusliku generatiivse raamistiku enesejärelevalvega eelkoolituse signaalidega — nagu maskeeritud sõnade ennustamine või kontrastsed dokumendieesmärgid — et suunata teemade avastamist ilma käsitsi märgistatud treeningandmeteta. Tulemuseks on teemaesitused, mis on üheaegselt põhjendatud jaotusstatistikal ja rikastatud keele struktuuriga, mis on õpitud toortekstist.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Self-supervised Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/et/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.
- BERT-põhine klassifitseerimineSüvaõpe↔ compare
- LDA teemamudelSüvaõpe↔ compare
- NMF teemamudelSüvaõpe↔ compare
- Poolt juhendatud LDA teemamudelSüvaõpe↔ compare
- Sentence EmbeddingsSüvaõpe↔ compare
- TeemamodelleerimineSüvaõpe↔ compare
Märkasid sellel lehel viga? Teata sellest või paku parandust →