Zelf-gesuperviseerd LDA-onderwerpmodel
Zelf-gesuperviseerd LDA combineert het probabilistische generatieve raamwerk van Latent Dirichlet Allocation met zelf-gesuperviseerde voortrainingssignalen — zoals masked-word prediction of contrastieve documentdoelstellingen — om onderwerpontdekking te sturen zonder handmatig gelabelde trainingsgegevens te vereisen. Het resultaat zijn onderwerprepresentaties die tegelijkertijd gegrond zijn in distributionele statistieken en verrijkt door taalstructuur geleerd uit ruwe tekst.
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
- Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993–1022. link ↗
- Meng, Y., Huang, J., Zhang, Y., & Han, J. (2022). Topic Discovery via Latent Space Clustering of Pretrained Language Model Representations. Proceedings of WWW 2022, ACM. DOI: 10.1145/3485447.3512034 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Self-supervised Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/nl/deep-learning/self-supervised-lda-topic-model
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
- LDA-onderwerpmodelDeep learning↔ compare
- NMF-onderwerpmodelDeep learning↔ compare
- Semi-supervised LDA Topic ModelDeep learning↔ compare
- Sentence EmbeddingsDeep learning↔ compare
- OnderwerpmodelleringDeep learning↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →