Modèle de Topics LDA Faiblement Supervisé
Le LDA faiblement supervisé est une extension de l'Allocation de Dirichlet Latente qui intègre une guidance humaine légère — typiquement des mots-clés semences ou des contraintes de type 'doit-lier'/'ne-peut-pas-lier' — dans les priors de Dirichlet, orientant les topics appris vers des thèmes significatifs pour le domaine sans nécessiter de documents entièrement étiquetés. Il se situe entre le LDA entièrement non supervisé et la classification supervisée, ce qui le rend bien adapté aux situations où l'étiquetage de milliers de documents est impraticable.
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
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Weakly Supervised Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/fr/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.
- Modèle de Topics LDAApprentissage profond↔ compare
- Modèle thématique NMFApprentissage profond↔ compare
- Modèle thématique LDA semi-superviséApprentissage profond↔ compare
- Plongements de phrasesApprentissage profond↔ compare
- Modélisation par sujetsApprentissage profond↔ compare
- Classification par BERT sous supervision faibleApprentissage profond↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →