Machine learningDeep learning / NLP / CV

Forklarbar emnemodellering

Forklarbar emnemodellering kombinerer uovervåket temaoppdagelse — som LDA, NMF, eller nevrale varianter som BERTopic — med tolkningsverktøy (toppordslister, koherensscorer, SHAP, oppmerksomhetsvekter) som gjør de lærte temaene transparente, reviderbare og kommuniserbare til domeneeksperter og interessenter utenfor modelleringsteamet.

Åpne i MethodMindSnartVideoSnartDownload slides

Les hele metoden

Kun for medlemmer

Logg inn med en gratis konto for å lese denne delen.

Logg inn

Method map

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

Forklarbar emnemodellering

BERT-basert klassifiseri…Forklarbar BERT-basert k…LDA emnemodell NMF emnemodell Setningsembddinger Emne-modellering

Kilder

Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993–1022. link ↗
Grootendorst, M. (2022). BERTopic: Neural topic modeling with a class-based TF-IDF procedure. arXiv preprint arXiv:2203.05794. link ↗

Slik siterer du denne siden

ScholarGate. (2026, June 3). Explainable Topic Modeling (Interpretable Latent Topic Discovery). ScholarGate. https://scholargate.app/no/deep-learning/explainable-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-basert klassifiseringDyp læring↔ compare
Forklarbar BERT-basert klassifiseringDyp læring↔ compare
LDA emnemodellDyp læring↔ compare
NMF emnemodellDyp læring↔ compare
SetningsembddingerDyp læring↔ compare
Emne-modelleringDyp læring↔ compare

Compare side by side →

Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →