Modélisation thématique faiblement supervisée
La modélisation thématique faiblement supervisée intègre des connaissances de domaine légères — typiquement des mots-amorces ou des contraintes douces — dans un modèle thématique probabiliste afin d'orienter les thèmes découverts vers des thèmes significatifs pour le chercheur. Elle se situe entre le LDA entièrement non supervisé et les classificateurs supervisés, nécessitant beaucoup moins d'annotations que ces derniers tout en produisant des thèmes plus interprétables et mieux alignés sur le domaine que le premier.
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 EACL 2012, 204–213. link ↗
- Gallagher, R. J., Reing, K., Kale, D., & Ver Steeg, G. (2017). Anchored Correlation Explanation: Topic Modeling with Minimal Domain Knowledge. Transactions of the Association for Computational Linguistics, 5, 529–542. DOI: 10.1162/tacl_a_00078 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Weakly Supervised Topic Modeling (Seed-Guided / Constrained Topic Models). ScholarGate. https://scholargate.app/fr/deep-learning/weakly-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.
- Classification basée sur BERTApprentissage profond↔ compare
- Modèle de Topics LDAApprentissage profond↔ compare
- Modèle thématique NMFApprentissage profond↔ compare
- Modélisation thématique semi-superviséeApprentissage profond↔ compare
- Modélisation par sujetsApprentissage profond↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →