Latent Dirichlet Allocation (LDA)
Latent Dirichlet Allocation (LDA) on on generatiivinen todennäköisyyspohjainen malli diskreeteille datoille, jonka Blei, Ng ja Jordan esittelivät vuonna 2003. Se käsittelee kutakin dokumenttia piilevien aiheiden sekoituksena ja kutakin aihetta sanajakaumana, mahdollistaen temaattisen rakenteen valvomattoman löytämisen suurista tekstiaineistoista. Se on yksi viitatuimmista koneoppimisen ja luonnollisen kielen käsittelyn artikkeleista.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Latent Dirichlet Allocation (LDA — Blei, Ng & Jordan 2003). ScholarGate. https://scholargate.app/fi/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.
- K-Means-klusterointiKoneoppiminen↔ compare
- Ei-negatiivinen matriisihajotelma (NMF)Koneoppiminen↔ compare
- Word2VecTekstinlouhinta↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →