מודל נושאים מכוונן דק
מודל נושאים מכוונן דק (Fine-Tuned Topic Modeling) מתאים מודלי שפה שאומנו מראש — כגון BERT או Sentence-BERT — כדי לגלות נושאים סמויים באוספי מסמכים. בניגוד לשיטות הסתברותיות קלאסיות (LDA, NMF), הוא ממנף הטמעות הקשריות עשירות ואופציונלית מכוונן דק את מודל הבסיס על קורפוסים ספציפיים לתחום, ומפיק נושאים קוהרנטיים ומשמעותיים סמנטית יותר, במיוחד בטקסטים קצרים או בתחומים מיוחדים.
קראו את השיטה במלואה
התחברו עם חשבון חינמי כדי לקרוא חלק זה.
Method map
The neighbourhood of related methods — select a node to explore.
מקורות
- Bianchi, F., Terragni, S., Hovy, D., Nozza, D., & Fersini, E. (2021). Cross-lingual Contextualized Topic Models with Zero-shot Learning. Proceedings of the 16th Conference of the European Chapter of the Association for Computational Linguistics, 1676–1683. DOI: 10.18653/v1/2021.eacl-main.143 ↗
- Grootendorst, M. (2022). BERTopic: Neural topic modeling with a class-based TF-IDF procedure. arXiv preprint arXiv:2203.05794. link ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 3). Fine-Tuned Neural Topic Modeling with Pre-trained Language Models. ScholarGate. https://scholargate.app/he/deep-learning/fine-tuned-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.
- סיווג מבוסס BERTלמידה עמוקה↔ compare
- סיווג מבוסס BERT מכוונן עדיןלמידה עמוקה↔ compare
- מודל נושאים LDAלמידה עמוקה↔ compare
- מודל נושאים NMFלמידה עמוקה↔ compare
- ייצוגי משפטים (Sentence Embeddings)למידה עמוקה↔ compare
- מידול נושאיםלמידה עמוקה↔ compare