Machine learningDeep learning / NLP / CV
약지도 LDA 토픽 모델
약지도 LDA는 잠재 디리클레트 할당(Latent Dirichlet Allocation)의 확장으로, 가벼운 수준의 인간 지침—일반적으로 키워드 씨앗 또는 필수 연결/불가 연결 제약—을 디리클레트 사전 확률에 통합하여, 완전히 레이블링된 문서를 요구하지 않고도 학습된 토픽을 도메인 의미론적 주제로 유도합니다. 이는 완전 비지도 LDA와 지도 분류 사이에 위치하여, 수천 개의 문서를 레이블링하는 것이 비실용적인 상황에 적합합니다.
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
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Weakly Supervised Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/ko/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.
- LDA 토픽 모델딥러닝↔ compare
- NMF 토픽 모델딥러닝↔ compare
- 준지도학습 LDA 토픽 모델딥러닝↔ compare
- 문장 임베딩딥러닝↔ compare
- 토픽 모델링딥러닝↔ compare
- 약한 지도 BERT 기반 분류딥러닝↔ compare