Latent Dirichlet Allocation (LDA)
Latent Dirichlet Allocation (LDA) ir ģeneratīvs probabiālistisks diskrēto datu kopu modelis, ko 2003. gadā ieviesa Blei, Ng un Jordan. Tas katru dokumentu aplūko kā latentu tēmu maisījumu, un katru tēmu kā vārdu sadalījumu pēc varbūtības, tādējādi nodrošinot neuzraudzītu tematisko struktūru atklāšanu lielos tekstu korpusos. Tas ir viens no visvairāk citētajiem darbiem mašīnmācīšanās un dabisko valodu apstrādes jomā.
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
- Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet allocation. Journal of Machine Learning Research, 3, 993–1022. DOI: 10.5555/944919.944937 ↗
- Blei, D. M. (2012). Probabilistic topic models. Communications of the ACM, 55(4), 77–84. DOI: 10.1145/2133806.2133826 ↗
- Bishop, C. M. (2006). Pattern Recognition and Machine Learning (Ch. 9). Springer. ISBN: 978-0-387-31073-2
Kā citēt šo lapu
ScholarGate. (2026, June 3). Latent Dirichlet Allocation (LDA — Blei, Ng & Jordan 2003). ScholarGate. https://scholargate.app/lv/machine-learning/latent-dirichlet-allocation
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.
- K-Means klasterizācijaMašīnmācīšanās↔ compare
- Neatūru matricas faktorizācija (NMF)Mašīnmācīšanās↔ compare
- Word2VecTeksta ieguve↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →