یادگیری انتقالی با مدل موضوعی LDA
یادگیری انتقالی با مدل موضوعی LDA دانش را از یک حوزه منبع که به خوبی مطالعه شده است، برای هدایت استنتاج لاتنت دیریکله (Latent Dirichlet Allocation) بر روی یک حوزه هدف با دادههای کم، به کار میگیرد. با تزریق اولویتهای موضوعی مشتق شده از منبع به پارامترهای فوقانی دیریکله (Dirichlet hyperparameters)، این روش موضوعات منسجم و مرتبط با حوزه را حتی زمانی که متن حوزه هدف محدود است، تولید میکند و حجم دادههای برچسبگذاری شده یا بدون برچسب مورد نیاز برای نتایج معنیدار را کاهش میدهد.
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
- Chen, Z., Mukherjee, A., Liu, B., Hsu, M., Malas, M., & Wang, S. (2013). Leveraging multi-domain prior knowledge in topic models. In Proceedings of the Twenty-Third International Joint Conference on Artificial Intelligence (IJCAI-13), pp. 2071–2077. link ↗
- Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993–1022. link ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Transfer Learning with Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/fa/deep-learning/transfer-learning-with-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.
- مدل موضوعی LDA تنظیمشده دقیق (Fine-Tuned LDA Topic Model)یادگیری عمیق↔ compare
- مدل موضوعی LDAیادگیری عمیق↔ compare
- مدلسازی موضوعییادگیری عمیق↔ compare
- یادگیری انتقالی با مدل موضوعی NMFیادگیری عمیق↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →