Prilagođeno modeliranje tema
Prilagođeno modeliranje tema (Fine-Tuned Topic Modeling) prilagođava prethodno obučene jezične modele — kao što su BERT ili Sentence-BERT — za otkrivanje latentnih tema u zbirkama dokumenata. Za razliku od klasičnih probabilističkih metoda (LDA, NMF), koristi bogate kontekstualne ugradnje (embeddings) i opciono prilagođava osnovni model na korpusu specifičnom za domenu, proizvodeći koherentnije i semantički smislenije teme, posebno na kratkim tekstovima ili u specijalizovanim domenama.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Fine-Tuned Neural Topic Modeling with Pre-trained Language Models. ScholarGate. https://scholargate.app/hr/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.
- BERT-tem klasifikacijaDuboko učenje↔ compare
- Fino podešena klasifikacija temeljena na BERT-uDuboko učenje↔ compare
- LDA model temaDuboko učenje↔ compare
- Model tema nenegativne faktorizacije matriceDuboko učenje↔ compare
- Ugrađivanje rečenicaDuboko učenje↔ compare
- Modeliranje temaDuboko učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →