Machine learningDeep learning / NLP / CV
준지도학습 LDA 토픽 모델
준지도학습 LDA는 소량의 지도 정보(시드 단어, 레이블이 지정된 문서, 또는 반드시 연결/연결 불가 단어 제약 조건)를 통합하여 토픽 발굴을 의미론적으로 일관되고 해석 가능한 주제로 유도함으로써 표준 잠재 디리클레 분포(Latent Dirichlet Allocation)를 확장합니다. 이는 비지도 토픽 모델링과 완전 지도 텍스트 분류를 연결하며, 전체 주석이 비용이 많이 드는 경우 특히 유용합니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Semi-supervised Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/ko/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 기반 분류딥러닝↔ compare
- LDA 토픽 모델딥러닝↔ compare
- 준지도 비음수 행렬 분해 (NMF) 토픽 모델딥러닝↔ compare
- 준지도 학습 트랜스포머딥러닝↔ compare
- 문장 임베딩딥러닝↔ compare
- 토픽 모델링딥러닝↔ compare