Pusuzraudzītā LDA tēmu modelis
Pusuzraudzītā LDA paplašina standarta Latent Dirichlet Allocation (LDA), iekļaujot nelielu uzraudzības daudzumu — sēklu vārdus, marķētus dokumentus vai obligātās/neobligātās vārdu saites — lai virzītu tēmu atklāšanu uz semantiski saskaņotām, interpretējamām tēmām. Tā savieno neuzraudzītu tēmu modelēšanu un pilnībā uzraudzītu tekstu klasifikāciju, padarot to īpaši vērtīgu, kad pilna anotācija ir dārga.
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
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Semi-supervised Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/lv/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 klasifikācijaDziļā mācīšanās↔ compare
- LDA tēmu modelisDziļā mācīšanās↔ compare
- Daļēji uzraudzīts NMF tēmu modelisDziļā mācīšanās↔ compare
- Pusuzraudzīts transformatorsDziļā mācīšanās↔ compare
- Ievietojumi teikumiemDziļā mācīšanās↔ compare
- Tēmu modelēšanaDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →