Machine learningDeep learning / NLP / CV

Explainable Topic Modeling

Explainable Topic Modeling combineert ongesuperviseerde onderwerpontdekking — zoals LDA, NMF, of neurale varianten zoals BERTopic — met interpretabiliteitstools (topwoordlijsten, coherentiescores, SHAP, aandachtsgewichten) die de geleerde onderwerpen transparant, controleerbaar en communiceerbaar maken aan domeinexperts en belanghebbenden buiten het modelleringsteam.

Openen in MethodMindBinnenkortVideoBinnenkortDownload slides

Lees de volledige methode

Alleen voor leden

Inloggen

Method map

The neighbourhood of related methods — select a node to explore.

Explainable Topic Modeling

BERT-gebaseerde Classifi…Uitlegbare BERT-gebaseer…LDA-onderwerpmodel NMF-onderwerpmodel Sentence Embeddings Onderwerpmodellering

Bronnen

Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993–1022. link ↗
Grootendorst, M. (2022). BERTopic: Neural topic modeling with a class-based TF-IDF procedure. arXiv preprint arXiv:2203.05794. link ↗

Deze pagina citeren

ScholarGate. (2026, June 3). Explainable Topic Modeling (Interpretable Latent Topic Discovery). ScholarGate. https://scholargate.app/nl/deep-learning/explainable-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-gebaseerde ClassificatieDeep learning↔ compare
Uitlegbare BERT-gebaseerde ClassificatieDeep learning↔ compare
LDA-onderwerpmodelDeep learning↔ compare
NMF-onderwerpmodelDeep learning↔ compare
Sentence EmbeddingsDeep learning↔ compare
OnderwerpmodelleringDeep learning↔ compare

Compare side by side →

Een fout op deze pagina gezien? Meld het of stel een correctie voor →