Zwak-gesuperviseerd LDA-onderwerpmodel
Zwak-gesuperviseerd LDA is een uitbreiding van Latent Dirichlet Allocation die lichte menselijke begeleiding integreert — doorgaans trefwoordzaden of 'must-link'/'cannot-link'-beperkingen — in de Dirichlet-priors, waardoor geleerde onderwerpen worden gestuurd naar domein-betekenisvolle thema's zonder dat volledig gelabelde documenten nodig zijn. Het bevindt zich tussen volledig ongesuperviseerde LDA en gesuperviseerde classificatie, waardoor het zeer geschikt is voor situaties waarin het labelen van duizenden documenten onpraktisch is.
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
- Jagarlamudi, J., Daume III, H., & Udupa, R. (2012). Incorporating Lexical Priors into Topic Models. Proceedings of the 13th Conference of the European Chapter of the Association for Computational Linguistics (EACL 2012), pp. 204–213. link ↗
- Andrzejewski, D., Zhu, X., & Craven, M. (2009). Incorporating Domain Knowledge into Topic Modeling via Dirichlet Forest Priors. Proceedings of the 26th International Conference on Machine Learning (ICML 2009), pp. 25–32. link ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Weakly Supervised Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/nl/deep-learning/weakly-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.
- LDA-onderwerpmodelDeep learning↔ compare
- NMF-onderwerpmodelDeep learning↔ compare
- Semi-supervised LDA Topic ModelDeep learning↔ compare
- Sentence EmbeddingsDeep learning↔ compare
- OnderwerpmodelleringDeep learning↔ compare
- Zwak gesuperviseerde BERT-gebaseerde classificatieDeep learning↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →