Selv-supervisert LDA emnemodell
Selv-supervisert LDA kombinerer det probabilistiske generative rammeverket til Latent Dirichlet Allocation med selv-overvåkede forhåndstrente signaler — som maskert-ord-prediksjon eller kontrastive dokumentmål — for å styre emneoppdagelse uten behov for håndmerkede treningsdata. Resultatet er emnerepresentasjoner som samtidig er forankret i distribusjonell statistikk og beriket av språkstruktur lært fra rå tekst.
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
- Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993–1022. link ↗
- Meng, Y., Huang, J., Zhang, Y., & Han, J. (2022). Topic Discovery via Latent Space Clustering of Pretrained Language Model Representations. Proceedings of WWW 2022, ACM. DOI: 10.1145/3485447.3512034 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Self-supervised Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/no/deep-learning/self-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.
- BERT-basert klassifiseringDyp læring↔ compare
- LDA emnemodellDyp læring↔ compare
- NMF emnemodellDyp læring↔ compare
- Semi-supervised LDA-emnemodellDyp læring↔ compare
- SetningsembddingerDyp læring↔ compare
- Emne-modelleringDyp læring↔ compare
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →