Machine learningDeep learning / NLP / CV
半教師ありLDAトピックモデル
半教師ありLDAは、少量の教師情報（シード語、ラベル付き文書、または必須リンク/不可リンク単語制約）を組み込むことで標準的な潜在ディリクレ付与（LDA）を拡張し、トピック発見を意味的に一貫性のある解釈可能なテーマへと導きます。これは教師なしトピックモデリングと完全教師ありテキスト分類の橋渡しをし、完全なアノテーションが高価である場合に特に価値があります。
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
- 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 EMNLP, 248–256. link ↗
- Andrzejewski, D., Zhu, X., & Craven, M. (2009). Incorporating domain knowledge into topic modeling via Dirichlet Forest priors. Proceedings of ICML, 25–32. DOI: 10.1145/1553374.1553378 ↗
このページの引用方法
ScholarGate. (2026, June 3). Semi-supervised Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/ja/deep-learning/semi-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.
- 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
- 半教師ありNMFトピックモデル深層学習↔ compare
- 半教師ありTransformer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