Machine learningDeep learning / NLP / CV

Zelf-gesuperviseerde onderwerpmodellering

Zelf-gesuperviseerde onderwerpmodellering combineert de interpreteerbare onderwerpontdekking van klassieke onderwerpmodellen met zelf-gesuperviseerde leerdoelstellingen — zoals contrastieve loss, masked language modeling, of reconstructie — om coherente, semantisch rijke onderwerpen te leren uit ongelabelde tekst zonder menselijk geannoteerde labels. Het overbrugt klassieke probabilistische onderwerpmodellen en moderne representatieleergang, wat resulteert in onderwerpen die beter zijn afgestemd op contextuele betekenis.

Openen in MethodMindBinnenkortVideoBinnenkortDownload slides

Lees de volledige methode

Alleen voor leden

Inloggen

Method map

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

Zelf-gesuperviseerde onderwerpmodellering

BERT-gebaseerde Classifi…LDA-onderwerpmodel NMF-onderwerpmodel Semi-supervised Topic Mo…Sentence Embeddings

Bronnen

Wu, X., Li, C., Zhu, Y., & Miao, Y. (2023). Effective Neural Topic Modeling with Embedding Clustering Regularization. Proceedings of the 40th International Conference on Machine Learning (ICML 2023), PMLR 202, 37335–37357. link ↗
Topic model. Wikipedia. link ↗

Deze pagina citeren

ScholarGate. (2026, June 3). Self-Supervised Topic Modeling. ScholarGate. https://scholargate.app/nl/deep-learning/self-supervised-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
LDA-onderwerpmodelDeep learning↔ compare
NMF-onderwerpmodelDeep learning↔ compare
Semi-supervised Topic ModelingDeep learning↔ compare
Sentence EmbeddingsDeep learning↔ compare

Compare side by side →

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