Pielāgotā tēmu modelēšana
Pielāgotā tēmu modelēšana (Fine-Tuned Topic Modeling) adaptē iepriekš apmācītus valodu modeļus — piemēram, BERT vai Sentence-BERT — lai atklātu latentās tēmas dokumentu kopās. Atšķirībā no klasiskajām probabilitātes metodēm (LDA, NMF), tā izmanto bagātīgas kontekstuālās ieskapeņošanas (embeddings) un pēc izvēles pielāgo pamata modeli specifiskam domēnam, radot koherentākas un semantiski nozīmīgākas tēmas, īpaši īsos tekstos vai specializētās jomās.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Fine-Tuned Neural Topic Modeling with Pre-trained Language Models. ScholarGate. https://scholargate.app/lv/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 klasifikācijaDziļā mācīšanās↔ compare
- Klasifikācija, kas pielāgota ar BERTDziļā mācīšanās↔ compare
- LDA tēmu modelisDziļā mācīšanās↔ compare
- NMF tēmu modelisDziļā mācīšanās↔ compare
- Ievietojumi teikumiemDziļā mācīšanās↔ compare
- Tēmu modelēšanaDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →