Hienosäädetty aihemallinnus
Hienosäädetty aihemallinnus mukauttaa esikoulutettuja kielimalleja – kuten BERT tai Sentence-BERT – löytämään piileviä aiheita dokumenttikokoelmista. Toisin kuin klassiset probabilistiset menetelmät (LDA, NMF), se hyödyntää rikkaita kontekstuaalisia upotuksia ja hienosäätää valinnaisesti perusmallia toimialakohtaisilla korpuksilla, tuottaen johdonmukaisempia ja semanttisesti merkityksellisempiä aiheita, erityisesti lyhyissä teksteissä tai erikoistuneilla toimialoilla.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- Bianchi, F., Terragni, S., Hovy, D., Nozza, D., & Fersini, E. (2021). Cross-lingual Contextualized Topic Models with Zero-shot Learning. Proceedings of the 16th Conference of the European Chapter of the Association for Computational Linguistics, 1676–1683. DOI: 10.18653/v1/2021.eacl-main.143 ↗
- Grootendorst, M. (2022). BERTopic: Neural topic modeling with a class-based TF-IDF procedure. arXiv preprint arXiv:2203.05794. link ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Fine-Tuned Neural Topic Modeling with Pre-trained Language Models. ScholarGate. https://scholargate.app/fi/deep-learning/fine-tuned-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-pohjainen luokitteluSyväoppiminen↔ compare
- Hienosäädetty BERT-pohjainen luokitteluSyväoppiminen↔ compare
- Latent Dirichlet Allocation (LDA) -aiheiden malliSyväoppiminen↔ compare
- NMF-aihemalliSyväoppiminen↔ compare
- LauseupotuksetSyväoppiminen↔ compare
- AihemallinnusSyväoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →