مدلسازی موضوعی با نظارت ضعیف
مدلسازی موضوعی با نظارت ضعیف، دانش دامنه سبکوزن — معمولاً کلمات کلیدی یا محدودیتهای نرم — را در یک مدل موضوعی احتمالی ادغام میکند تا موضوعات کشفشده را به سمت مضامین معنادار برای پژوهشگر هدایت کند. این روش بین مدل کاملاً بدون نظارت LDA و طبقهبندهای با نظارت قرار میگیرد، به دادههای برچسبگذاریشده بسیار کمتری نسبت به دومی نیاز دارد و در عین حال موضوعاتی قابل تفسیرتر و همراستا با دامنه نسبت به اولی تولید میکند.
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
- Jagarlamudi, J., Daume III, H., & Udupa, R. (2012). Incorporating Lexical Priors into Topic Models. Proceedings of EACL 2012, 204–213. link ↗
- Gallagher, R. J., Reing, K., Kale, D., & Ver Steeg, G. (2017). Anchored Correlation Explanation: Topic Modeling with Minimal Domain Knowledge. Transactions of the Association for Computational Linguistics, 5, 529–542. DOI: 10.1162/tacl_a_00078 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Weakly Supervised Topic Modeling (Seed-Guided / Constrained Topic Models). ScholarGate. https://scholargate.app/fa/deep-learning/weakly-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.
- طبقهبندی مبتنی بر بِرْتیادگیری عمیق↔ compare
- مدل موضوعی LDAیادگیری عمیق↔ compare
- مدل موضوعی NMFیادگیری عمیق↔ compare
- مدلسازی موضوعی نیمهنظارتشدهیادگیری عمیق↔ compare
- مدلسازی موضوعییادگیری عمیق↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →