Machine learningDeep learning / NLP / CV
ファインチューニングされたトピックモデリング
ファインチューニングされたトピックモデリングは、BERTやSentence-BERTのような事前学習済み言語モデルを適応させ、文書コレクション内の潜在的なトピックを発見する手法です。古典的な確率的手法（LDA、NMF）とは異なり、豊かな文脈埋め込みを活用し、オプションでドメイン固有のコーパスでバックボーンをファインチューニングすることで、特に短いテキストや専門分野において、より一貫性があり意味的に深いトピックを生成します。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
Method map
The neighbourhood of related methods — select a node to explore.
出典
- 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 ↗
このページの引用方法
ScholarGate. (2026, June 3). Fine-Tuned Neural Topic Modeling with Pre-trained Language Models. ScholarGate. https://scholargate.app/ja/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.
- BERTベースの分類深層学習↔ compare
- ファインチューニングされたBERTベースの分類深層学習↔ compare
- LDAトピックモデル深層学習↔ compare
- NMFトピックモデル深層学習↔ compare
- 文埋め込み（Sentence Embeddings）深層学習↔ compare
- トピックモデリング深層学習↔ compare