Vāji uzraudzīta tēmu modelēšana
Vāji uzraudzīta tēmu modelēšana integrē vieglas domēnas zināšanas — parasti sēklu vārdus vai mīkstus ierobežojumus — probabilitātes tēmu modelī, lai virzītu atklātās tēmas uz pētniekiem nozīmīgām tēmām. Tā atrodas starp pilnīgi neuzraudzītu LDA un uzraudzītiem klasifikatoriem, prasa daudz mazāk anotāciju nekā pēdējie, vienlaikus radot interpretējamākas un domēnai atbilstošākas tēmas nekā pirmie.
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 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Weakly Supervised Topic Modeling (Seed-Guided / Constrained Topic Models). ScholarGate. https://scholargate.app/lv/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 klasifikācijaDziļā mācīšanās↔ compare
- LDA tēmu modelisDziļā mācīšanās↔ compare
- NMF tēmu modelisDziļā mācīšanās↔ compare
- Daļēji uzraudzīta tēmu modelēšanaDziļā mācīšanās↔ compare
- Tēmu modelēšanaDziļā mācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →