Latent Dirichlet Allocation (LDA)
Latent Dirichlet Allocation (LDA) est un modèle probabiliste génératif pour des collections de données discrètes, introduit par Blei, Ng et Jordan en 2003. Il traite chaque document comme un mélange de sujets latents et chaque sujet comme une distribution de probabilité sur les mots, permettant la découverte non supervisée de la structure thématique à travers de grands corpus de textes. C'est l'un des articles les plus cités en apprentissage automatique et en traitement automatique du langage naturel.
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
- Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet allocation. Journal of Machine Learning Research, 3, 993–1022. DOI: 10.5555/944919.944937 ↗
- Blei, D. M. (2012). Probabilistic topic models. Communications of the ACM, 55(4), 77–84. DOI: 10.1145/2133806.2133826 ↗
- Bishop, C. M. (2006). Pattern Recognition and Machine Learning (Ch. 9). Springer. ISBN: 978-0-387-31073-2
Comment citer cette page
ScholarGate. (2026, June 3). Latent Dirichlet Allocation (LDA — Blei, Ng & Jordan 2003). ScholarGate. https://scholargate.app/fr/machine-learning/latent-dirichlet-allocation
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.
- Regroupement par K-moyennesApprentissage 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 →