Modèle thématique LDA semi-supervisé
Le LDA semi-supervisé étend le Latent Dirichlet Allocation standard en incorporant une petite quantité de supervision — mots d'amorçage, documents étiquetés, ou contraintes de mots à lier/ne pas lier — pour guider la découverte thématique vers des thèmes sémantiquement cohérents et interprétables. Il fait le pont entre la modélisation thématique non supervisée et la classification de texte entièrement supervisée, ce qui le rend particulièrement précieux lorsque l'annotation complète est coûteuse.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Ramage, D., Hall, D., Nallapati, R., & Manning, C. D. (2009). Labeled LDA: A supervised topic model for credit attribution in multi-labeled corpora. Proceedings of EMNLP, 248–256. link ↗
- Andrzejewski, D., Zhu, X., & Craven, M. (2009). Incorporating domain knowledge into topic modeling via Dirichlet Forest priors. Proceedings of ICML, 25–32. DOI: 10.1145/1553374.1553378 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Semi-supervised Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/fr/deep-learning/semi-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.
- Classification basée sur BERTApprentissage profond↔ compare
- Modèle de Topics LDAApprentissage profond↔ compare
- Modèle thématique par factorisation matricielle non négative semi-superviséeApprentissage profond↔ compare
- Transformeur semi-superviséApprentissage profond↔ compare
- Plongements de phrasesApprentissage profond↔ compare
- Modélisation par sujetsApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →