Modellazione di argomenti semi-supervisionata
La modellazione di argomenti semi-supervisionata estende i modelli di argomenti non supervisionati come LDA incorporando una supervisione umana parziale — parole seme, documenti etichettati o vincoli must-link/cannot-link — per indirizzare gli argomenti scoperti verso categorie significative e pertinenti al dominio, sfruttando al contempo il vasto corpus non etichettato per la robustezza statistica.
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
- Ramage, D., Hall, D., Nallapati, R., & Manning, C. D. (2009). Labeled LDA: A supervised topic model for credit attribution in multi-labeled corpora. Proceedings of the 2009 Conference on Empirical Methods in Natural Language Processing, 248–256. Association for Computational Linguistics. link ↗
- Andrzejewski, D., Zhu, X., & Craven, M. (2009). Incorporating domain knowledge into topic modeling via Dirichlet forest priors. Proceedings of the 26th Annual International Conference on Machine Learning (ICML), 25–32. link ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Semi-supervised Topic Modeling (Seed-guided and Labeled LDA variants). ScholarGate. https://scholargate.app/it/deep-learning/semi-supervised-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.
- Latent Dirichlet Allocation (LDA)Apprendimento automatico↔ compare
- Fattorizzazione di Matrici Non-Negative (NMF)Apprendimento automatico↔ compare
- Word2VecText mining↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →