Machine learningDeep learning / NLP / CV

Selv-supervisert emnemodellering

Selv-supervisert emnemodellering kombinerer den tolkbare emneoppdagelsen fra klassiske emnemodeller med selv-superviserte læringsmål — som kontrastivt tap, maskert språkmodellering eller rekonstruksjon — for å lære sammenhengende, semantisk rike emner fra umerket tekst uten menneskeskapte etiketter. Den bygger bro mellom klassiske probabilistiske emnemodeller og moderne representasjonslæring, og gir emner som er bedre tilpasset kontekstuell mening.

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.

Selv-supervisert emnemodellering

BERT-basert klassifiseri…LDA emnemodell NMF emnemodell Semiveiledetet emnemodel…Setningsembddinger

Kilder

Wu, X., Li, C., Zhu, Y., & Miao, Y. (2023). Effective Neural Topic Modeling with Embedding Clustering Regularization. Proceedings of the 40th International Conference on Machine Learning (ICML 2023), PMLR 202, 37335–37357. link ↗
Topic model. Wikipedia. link ↗

Slik siterer du denne siden

ScholarGate. (2026, June 3). Self-Supervised Topic Modeling. ScholarGate. https://scholargate.app/no/deep-learning/self-supervised-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
LDA emnemodellDyp læring↔ compare
NMF emnemodellDyp læring↔ compare
Semiveiledetet emnemodelleringDyp læring↔ compare
SetningsembddingerDyp læring↔ compare

Compare side by side →

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