Modélisation thématique semi-supervisée
La modélisation thématique semi-supervisée étend les modèles thématiques non supervisés tels que LDA en incorporant une supervision humaine partielle — mots-semences, documents étiquetés, ou contraintes de type 'doit-lier'/'ne-peut-pas-lier' — pour orienter les thèmes découverts vers des catégories significatives et pertinentes pour le domaine, tout en exploitant le grand corpus non étiqueté pour la puissance statistique.
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 the 2009 Conference on Empirical Methods in Natural Language Processing, 248–256. Association for Computational Linguistics. link ↗
- Andrzejewski, D., Zhu, X., & Craven, M. (2009). Incorporating domain knowledge into topic modeling via Dirichlet forest priors. Proceedings of the 26th Annual International Conference on Machine Learning (ICML), 25–32. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Semi-supervised Topic Modeling (Seed-guided and Labeled LDA variants). ScholarGate. https://scholargate.app/fr/deep-learning/semi-supervised-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.
- Latent Dirichlet Allocation (LDA)Apprentissage automatique↔ compare
- Factorisation de Matrices Non-Négatives (NMF)Apprentissage automatique↔ compare
- Word2VecFouille de textes↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →