Heikosti ohjattu LDA-aihemalli
Heikosti ohjattu LDA on Latent Dirichlet Allocation -menetelmän laajennus, joka sisällyttää kevytrakenteista ihmisohjausta – tyypillisesti avainsanasiemeniä tai must-link/cannot-link-rajoitteita – Dirichle-priorijakaumiin. Tämä ohjaa opittuja aiheita kohti toimialan kannalta merkityksellisiä teemoja ilman, että tarvitaan täysin annotoituja dokumentteja. Se sijoittuu täysin ohjaamattoman LDA:n ja ohjatun luokittelun väliin, mikä tekee siitä hyvin soveltuvan tilanteisiin, joissa tuhansien dokumenttien annotointi on epäkäytännöllistä.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- Jagarlamudi, J., Daume III, H., & Udupa, R. (2012). Incorporating Lexical Priors into Topic Models. Proceedings of the 13th Conference of the European Chapter of the Association for Computational Linguistics (EACL 2012), pp. 204–213. link ↗
- Andrzejewski, D., Zhu, X., & Craven, M. (2009). Incorporating Domain Knowledge into Topic Modeling via Dirichlet Forest Priors. Proceedings of the 26th International Conference on Machine Learning (ICML 2009), pp. 25–32. link ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Weakly Supervised Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/fi/deep-learning/weakly-supervised-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.
- Latent Dirichlet Allocation (LDA) -aiheiden malliSyväoppiminen↔ compare
- NMF-aihemalliSyväoppiminen↔ compare
- Puoliohjattu LDA-aihemalliSyväoppiminen↔ compare
- LauseupotuksetSyväoppiminen↔ compare
- AihemallinnusSyväoppiminen↔ compare
- Heikosti ohjattu BERT-pohjainen luokitteluSyväoppiminen↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →