Pašuzraudzības LDA tēmu modelis
Pašuzraudzības LDA apvieno Latent Dirichlet Allocation (LDA) probabilitatisko ģeneratīvo sistēmu ar pašuzraudzības iepriekšmācīšanās signāliem — piemēram, maskēto vārdu prognozēšanu vai kontrastīviem dokumentu mērķiem — lai vadītu tēmu atklāšanu bez nepieciešamības pēc manuāli marķētiem apmācības datiem. Rezultāts ir tēmu reprezentācijas, kas ir vienlaikus balstītas uz sadalījuma statistiku un bagātinātas ar valodas struktūru, kas apgūta no neapstrādāta teksta.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993–1022. link ↗
- Meng, Y., Huang, J., Zhang, Y., & Han, J. (2022). Topic Discovery via Latent Space Clustering of Pretrained Language Model Representations. Proceedings of WWW 2022, ACM. DOI: 10.1145/3485447.3512034 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Self-supervised Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/lv/deep-learning/self-supervised-lda-topic-model
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- BERT klasifikācijaDziļā mācīšanās↔ salīdzināt
- LDA tēmu modelisDziļā mācīšanās↔ salīdzināt
- NMF tēmu modelisDziļā mācīšanās↔ salīdzināt
- Pusuzraudzītā LDA tēmu modelisDziļā mācīšanās↔ salīdzināt
- Ievietojumi teikumiemDziļā mācīšanās↔ salīdzināt
- Tēmu modelēšanaDziļā mācīšanās↔ salīdzināt
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →