Modello di Topic LDA Auto-supervisionato
Il modello LDA auto-supervisionato combina il framework generativo probabilistico dell'Allocuzione Dirichlet Latente con segnali di pre-addestramento auto-supervisionati — come la predizione di parole mascherate o obiettivi di documenti contrastivi — per guidare la scoperta dei topic senza richiedere dati di addestramento etichettati manualmente. Il risultato sono rappresentazioni dei topic che sono contemporaneamente fondate su statistiche distribuzionali e arricchite dalla struttura linguistica appresa da testo grezzo.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993–1022. link ↗
- Meng, Y., Huang, J., Zhang, Y., & Han, J. (2022). Topic Discovery via Latent Space Clustering of Pretrained Language Model Representations. Proceedings of WWW 2022, ACM. DOI: 10.1145/3485447.3512034 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Self-supervised Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/it/deep-learning/self-supervised-lda-topic-model
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.
- Classificazione basata su BERTApprendimento profondo↔ compare
- Modello di Topic LDAApprendimento profondo↔ compare
- Modello di Topic NMFApprendimento profondo↔ compare
- Modello di argomento LDA semi-supervisionatoApprendimento profondo↔ compare
- Sentence EmbeddingsApprendimento profondo↔ compare
- Topic ModelingApprendimento profondo↔ compare
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →