مدلسازی موضوعی چندزبانه
مدلسازی موضوعی چندزبانه، مدلهای موضوعی احتمالی مانند LDA را به مجموعههای متنی (corpus) که شامل دو یا چند زبان هستند، تعمیم میدهد و موضوعات پنهان مشترک را در سراسر مرزهای زبانی استنتاج میکند. با پیوند دادن توزیع موضوعات در زبانهای مختلف، امکان تحلیل اسناد بینزبانی، کشف موضوعات قابل مقایسه، و بازیابی اطلاعات را بدون نیاز به مجموعههای متنی موازی کامل فراهم میسازد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- Mimno, D., Wallach, H. M., Naradowsky, J., Smith, D. A., & McCallum, A. (2009). Polylingual topic models. In Proceedings of the 2009 Conference on Empirical Methods in Natural Language Processing (EMNLP), pp. 880–889. ACL. link ↗
- Vulić, I., De Smet, W., & Moens, M.-F. (2015). Monolingual and cross-lingual information retrieval models based on (bilingual) word embeddings. In Proceedings of SIGIR 2015, pp. 363–372. ACM. link ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Multilingual Topic Modeling (Cross-lingual Latent Topic Inference). ScholarGate. https://scholargate.app/fa/deep-learning/multilingual-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.
- مدل موضوعی LDAیادگیری عمیق↔ compare
- تعبیههای چندزبانه جملهیادگیری عمیق↔ compare
- ترنسفورمر چندزبانهیادگیری عمیق↔ compare
- مدل موضوعی NMFیادگیری عمیق↔ compare
- مدلسازی موضوعییادگیری عمیق↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →