Machine learningDeep learning / NLP / CV

Eneseteadlik teemamodelleerimine

Eneseteadlik teemamodelleerimine ühendab klassikaliste teemamudelite tõlgendatava teemade avastamise eneseteadliku õppe eesmärkidega – nagu kontrastiivne kadu, maskeeritud keele modelleerimine või rekonstrueerimine – et õppida tundmatust tekstist semantiliselt rikkaid teemasid ilma inimese poolt märgistatud siltideta. See ühendab klassikalised probabilistlikud teemamudelid ja kaasaegse representatsiooniõppe, andes tulemuseks teemad, mis on paremini kooskõlas kontekstuaalse tähendusega.

Ava rakenduses MethodMindPeagiVideoPeagiDownload slides

Loe meetodi täielikku kirjeldust

Ainult liikmetele

Selle osa lugemiseks logi sisse tasuta kontoga.

Logi sisse

Method map

The neighbourhood of related methods — select a node to explore.

Eneseteadlik teemamodelleerimine

BERT-põhine klassifitsee…LDA teemamudel NMF teemamudel Poolt juhendatud teemamo…Sentence Embeddings

Allikad

Wu, X., Li, C., Zhu, Y., & Miao, Y. (2023). Effective Neural Topic Modeling with Embedding Clustering Regularization. Proceedings of the 40th International Conference on Machine Learning (ICML 2023), PMLR 202, 37335–37357. link ↗
Topic model. Wikipedia. link ↗

Kuidas sellele lehele viidata

ScholarGate. (2026, June 3). Self-Supervised Topic Modeling. ScholarGate. https://scholargate.app/et/deep-learning/self-supervised-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
LDA teemamudelSüvaõpe↔ compare
NMF teemamudelSüvaõpe↔ compare
Poolt juhendatud teemamodelleerimineSüvaõpe↔ compare
Sentence EmbeddingsSüvaõpe↔ compare

Compare side by side →

Märkasid sellel lehel viga? Teata sellest või paku parandust →