Latent Dirichlet Allocation (LDA)
Latent Dirichlet Allocation (LDA) یک مدل احتمالی مولد برای مجموعههایی از دادههای گسسته است که در سال ۲۰۰۳ توسط Blei، Ng و Jordan معرفی شد. این مدل هر سند را به صورت ترکیبی از موضوعات پنهان و هر موضوع را به صورت توزیع احتمالی روی کلمات در نظر میگیرد و امکان کشف ساختار موضوعی را به صورت بدون نظارت در مجموعههای بزرگ متنی فراهم میآورد. این مقاله یکی از پر استنادترین مقالات در حوزه یادگیری ماشین و پردازش زبان طبیعی است.
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
- Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet allocation. Journal of Machine Learning Research, 3, 993–1022. DOI: 10.5555/944919.944937 ↗
- Blei, D. M. (2012). Probabilistic topic models. Communications of the ACM, 55(4), 77–84. DOI: 10.1145/2133806.2133826 ↗
- Bishop, C. M. (2006). Pattern Recognition and Machine Learning (Ch. 9). Springer. ISBN: 978-0-387-31073-2
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Latent Dirichlet Allocation (LDA — Blei, Ng & Jordan 2003). ScholarGate. https://scholargate.app/fa/machine-learning/latent-dirichlet-allocation
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.
- خوشهبندی K-Meansیادگیری ماشین↔ compare
- تجزیه ماتریس نامنفی (NMF)یادگیری ماشین↔ compare
- Word2Vecمتنکاوی↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →