Fijnafgesteld Onderwerpmodellering
Fijnafgesteld Onderwerpmodellering past vooraf-getrainde taalmodellen — zoals BERT of Sentence-BERT — aan om latente onderwerpen in documentverzamelingen te ontdekken. In tegenstelling tot klassieke probabilistische methoden (LDA, NMF) maakt het gebruik van rijke contextuele embeddings en past het de backbone optioneel aan op domeinspecifieke corpora, wat resulteert in meer coherente en semantisch betekenisvollere onderwerpen, vooral bij korte teksten of gespecialiseerde domeinen.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- Bianchi, F., Terragni, S., Hovy, D., Nozza, D., & Fersini, E. (2021). Cross-lingual Contextualized Topic Models with Zero-shot Learning. Proceedings of the 16th Conference of the European Chapter of the Association for Computational Linguistics, 1676–1683. DOI: 10.18653/v1/2021.eacl-main.143 ↗
- 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). Fine-Tuned Neural Topic Modeling with Pre-trained Language Models. ScholarGate. https://scholargate.app/nl/deep-learning/fine-tuned-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
- Fijn-afgestelde BERT-gebaseerde ClassificatieDeep learning↔ compare
- LDA-onderwerpmodelDeep learning↔ compare
- NMF-onderwerpmodelDeep learning↔ compare
- Sentence EmbeddingsDeep learning↔ compare
- OnderwerpmodelleringDeep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →