Machine learningDeep learning / NLP / CV
약한 지도 토픽 모델링
약한 지도 토픽 모델링은 연구자가 의미 있는 주제를 향해 발견된 토픽을 유도하기 위해 확률론적 토픽 모델에 경량 도메인 지식, 즉 시드 단어 또는 소프트 제약 조건을 통합합니다. 이는 완전히 비지도 LDA와 지도 분류기 사이에 위치하며, 후자보다 훨씬 적은 주석을 요구하면서 전자보다 더 해석 가능하고 도메인에 정렬된 토픽을 생성합니다.
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 EACL 2012, 204–213. link ↗
- Gallagher, R. J., Reing, K., Kale, D., & Ver Steeg, G. (2017). Anchored Correlation Explanation: Topic Modeling with Minimal Domain Knowledge. Transactions of the Association for Computational Linguistics, 5, 529–542. DOI: 10.1162/tacl_a_00078 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Weakly Supervised Topic Modeling (Seed-Guided / Constrained Topic Models). ScholarGate. https://scholargate.app/ko/deep-learning/weakly-supervised-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 기반 분류딥러닝↔ compare
- LDA 토픽 모델딥러닝↔ compare
- NMF 토픽 모델딥러닝↔ compare
- 준지도 학습 토픽 모델링딥러닝↔ compare
- 토픽 모델링딥러닝↔ compare