Aihemallinnus — Latent Dirichlet Allocation
Latent Dirichlet Allocation (LDA) on Blei, Ng ja Jordan (2003) esittelemä generatiivinen todennäköisyysmalli, joka poimii dokumenttikokoelman taustalla olevat piilevät aihejakaumat. Se käsittelee kutakin dokumenttia piilevien aiheiden sekoituksena ja kutakin aihetta sanajakaumana, muuttaen merkitsemättömän korpuksen tulkittaviksi teemoiksi.
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. link ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 1). Latent Dirichlet Allocation Topic Modeling. ScholarGate. https://scholargate.app/fi/text-mining/topic-modeling-lda
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.
- Dokumenttien klusterointiTekstinlouhinta↔ compare
- Sentiment AnalysisTekstinlouhinta↔ compare
- TF-IDFTekstinlouhinta↔ compare
- Word2VecTekstinlouhinta↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →