Modello di argomento LDA debolmente supervisionato
L'LDA debolmente supervisionato è un'estensione dell'Allocazione Latente di Dirichlet (LDA) che incorpora una guida umana leggera — tipicamente parole chiave iniziali (seed) o vincoli must-link/cannot-link — nei prior di Dirichlet, orientando gli argomenti appresi verso temi significativi per il dominio senza richiedere documenti completamente etichettati. Si colloca tra l'LDA completamente non supervisionato e la classificazione supervisionata, rendendolo adatto a situazioni in cui l'etichettatura di migliaia di documenti è impraticabile.
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
- Jagarlamudi, J., Daume III, H., & Udupa, R. (2012). Incorporating Lexical Priors into Topic Models. Proceedings of the 13th Conference of the European Chapter of the Association for Computational Linguistics (EACL 2012), pp. 204–213. link ↗
- Andrzejewski, D., Zhu, X., & Craven, M. (2009). Incorporating Domain Knowledge into Topic Modeling via Dirichlet Forest Priors. Proceedings of the 26th International Conference on Machine Learning (ICML 2009), pp. 25–32. link ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Weakly Supervised Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/it/deep-learning/weakly-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.
- 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
- Classificazione debolemente supervisionata basata su BERTApprendimento profondo↔ compare
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →