Peruntukan Dirichlet Latent (LDA)
Peruntukan Dirichlet Latent (LDA) ialah model kebarangkalian generatif untuk koleksi data diskret, yang diperkenalkan oleh Blei, Ng, dan Jordan pada tahun 2003. Ia menganggap setiap dokumen sebagai campuran topik laten dan setiap topik sebagai taburan kebarangkalian ke atas perkataan, membolehkan penemuan tanpa pengawasan struktur tematik merentasi korpus teks yang besar. Ia merupakan salah satu kertas kerja yang paling banyak dipetik dalam pembelajaran mesin dan pemprosesan bahasa semula jadi.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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
Cara memetik halaman ini
ScholarGate. (2026, June 3). Latent Dirichlet Allocation (LDA — Blei, Ng & Jordan 2003). ScholarGate. https://scholargate.app/ms/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.
- Pengelompokan K-MeansPembelajaran Mesin↔ compare
- Penyahfaktoran Matriks Tak-Negatif (NMF)Pembelajaran Mesin↔ compare
- Word2VecPerlombongan Teks↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →