Machine learningDeep learning / NLP / CV

Onderwerpmodellering

Onderwerpmodellering (Topic Modeling) is een familie van ongesuperviseerde probabilistische technieken voor het ontdekken van latente thematische structuren in grote tekstverzamelingen. Door te leren welke woorden de neiging hebben samen voor te komen, brengen modellen zoals Latent Dirichlet Allocation (LDA) automatisch coherente onderwerpen naar boven — elk weergegeven als een verdeling over de woordenschat — zonder dat gelabelde data nodig zijn.

Openen in MethodMindBinnenkortVideoBinnenkortDownload slides

Lees de volledige methode

Alleen voor leden

Inloggen

Method map

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

Onderwerpmodellering

BERT-gebaseerde Classifi…LDA-onderwerpmodel NMF-onderwerpmodel Recurrent Neuraal Netwerk Sentence Embeddings Aspectgebaseerde sentime…Automatische Tekstevalua…Co-occurrentieanalyse Cross-linguale Tekstanal…Documentclustering

+22 more

Bronnen

Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993–1022. link ↗
Hofmann, T. (1999). Probabilistic Latent Semantic Analysis. Proceedings of the Fifteenth Conference on Uncertainty in Artificial Intelligence (UAI), 289–296. link ↗

Deze pagina citeren

ScholarGate. (2026, June 3). Topic Modeling (Probabilistic Latent Semantic Analysis and Latent Dirichlet Allocation). ScholarGate. https://scholargate.app/nl/deep-learning/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
Recurrent Neuraal NetwerkDeep learning↔ compare
Sentence EmbeddingsDeep learning↔ compare

Compare side by side →

Geciteerd door

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