Pemodelan Topik yang Disesuaikan (Fine-Tuned Topic Modeling)
Pemodelan Topik yang Disesuaikan mengadaptasi model bahasa yang telah dilatih sebelumnya — seperti BERT atau Sentence-BERT — untuk menemukan topik laten dalam koleksi dokumen. Berbeda dengan metode probabilistik klasik (LDA, NMF), metode ini memanfaatkan embedding kontekstual yang kaya dan secara opsional menyesuaikan model dasar pada korpus spesifik domain, menghasilkan topik yang lebih koheren dan bermakna secara semantik, terutama pada teks pendek atau domain khusus.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Fine-Tuned Neural Topic Modeling with Pre-trained Language Models. ScholarGate. https://scholargate.app/id/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.
- Klasifikasi Berbasis BERTPembelajaran Mendalam↔ compare
- Klasifikasi Berbasis BERT yang Di-fine-tunePembelajaran Mendalam↔ compare
- Model Topik LDAPembelajaran Mendalam↔ compare
- Model Topik NMFPembelajaran Mendalam↔ compare
- Sentence EmbeddingsPembelajaran Mendalam↔ compare
- Pemodelan TopikPembelajaran Mendalam↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →