ScholarGate
Assistente
Machine learningDeep learning / NLP / CV

Topic Modeling

Il Topic Modeling è una famiglia di tecniche probabilistiche non supervisionate per scoprire la struttura tematica latente in ampie raccolte di testi. Apprendendo quali parole tendono a co-occorrere, modelli come il Latent Dirichlet Allocation (LDA) fanno emergere automaticamente argomenti coerenti — ciascuno rappresentato come una distribuzione sul vocabolario — senza richiedere dati etichettati.

Apri in MethodMindIn arrivoVideoIn arrivoDownload slides

Leggi il metodo completo

Riservato ai membri

Accedi con un account gratuito per leggere questa sezione.

Accedi

Method map

The neighbourhood of related methods — select a node to explore.

+22 more

Fonti

  1. Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993–1022. link
  2. Hofmann, T. (1999). Probabilistic Latent Semantic Analysis. Proceedings of the Fifteenth Conference on Uncertainty in Artificial Intelligence (UAI), 289–296. link

Come citare questa pagina

ScholarGate. (2026, June 3). Topic Modeling (Probabilistic Latent Semantic Analysis and Latent Dirichlet Allocation). ScholarGate. https://scholargate.app/it/deep-learning/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.

Compare side by side

Citato da

ScholarGateTopic Modeling (Topic Modeling (Probabilistic Latent Semantic Analysis and Latent Dirichlet Allocation)). Consultato il 2026-06-15 da https://scholargate.app/it/deep-learning/topic-modeling · Insieme di dati: https://doi.org/10.5281/zenodo.20539026