Finjustert emnemodellering
Finjustert emnemodellering tilpasser forhåndstrente språkmodeller — som BERT eller Sentence-BERT — for å oppdage latente emner i dokumentsamlinger. I motsetning til klassiske probabilistiske metoder (LDA, NMF), utnytter den rike kontekstuelle innbygginger og finjusterer valgfritt ryggraden på domenespesifikke korpus, noe som gir mer sammenhengende og semantisk meningsfulle emner, spesielt på korte tekster eller spesialiserte domener.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Bianchi, F., Terragni, S., Hovy, D., Nozza, D., & Fersini, E. (2021). Cross-lingual Contextualized Topic Models with Zero-shot Learning. Proceedings of the 16th Conference of the European Chapter of the Association for Computational Linguistics, 1676–1683. DOI: 10.18653/v1/2021.eacl-main.143 ↗
- 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). Fine-Tuned Neural Topic Modeling with Pre-trained Language Models. ScholarGate. https://scholargate.app/no/deep-learning/fine-tuned-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
- Finputilpasset BERT-basert klassifiseringDyp læring↔ compare
- LDA emnemodellDyp læring↔ compare
- NMF emnemodellDyp læring↔ compare
- SetningsembddingerDyp læring↔ compare
- Emne-modelleringDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →