Vāji uzraudzīts LDA tēmu modelis
Vāji uzraudzītais Latent Dirichlet Allocation (LDA) ir Latent Dirichlet Allocation paplašinājums, kas ietver vieglu cilvēka vadību — parasti atslēgvārdu sēklas vai obligātās/aizliegtās saites ierobežojumus — Dirichlet prioritātēs, virzot apgūtās tēmas uz domēnam nozīmīgām tēmām, neprasot pilnībā marķētus dokumentus. Tas atrodas starp pilnīgi neuzraudzīto LDA un uzraudzīto klasifikāciju, padarot to piemērotu situācijām, kur tūkstošiem dokumentu marķēšana ir nepraktiska.
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
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Weakly Supervised Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/lv/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 tēmu modelisDziļā mācīšanās↔ compare
- NMF tēmu modelisDziļā mācīšanās↔ compare
- Pusuzraudzītā LDA tēmu modelisDziļā mācīšanās↔ compare
- Ievietojumi teikumiemDziļā mācīšanās↔ compare
- Tēmu modelēšanaDziļā mācīšanās↔ compare
- BERT klasifikācija ar vājo uzraudzībuDziļā mācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →