Semi-supervised LDA-emnemodell
Semi-supervised LDA utvider standard Latent Dirichlet Allocation ved å inkorporere en liten mengde veiledning – frøord, merkede dokumenter eller must-link/cannot-link-ordbegrensninger – for å styre emneoppdagelsen mot semantisk koherente, tolkbare temaer. Den bygger bro mellom uovervåket emnemodellering og fullt overvåket tekstklassifisering, noe som gjør den spesielt verdifull når full annotering er kostbar.
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
- Ramage, D., Hall, D., Nallapati, R., & Manning, C. D. (2009). Labeled LDA: A supervised topic model for credit attribution in multi-labeled corpora. Proceedings of EMNLP, 248–256. link ↗
- Andrzejewski, D., Zhu, X., & Craven, M. (2009). Incorporating domain knowledge into topic modeling via Dirichlet Forest priors. Proceedings of ICML, 25–32. DOI: 10.1145/1553374.1553378 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Semi-supervised Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/no/deep-learning/semi-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
- Semiveiledetet NMF-emnemodellDyp læring↔ compare
- Semi-supervisert TransformerDyp læring↔ compare
- SetningsembddingerDyp læring↔ compare
- Emne-modelleringDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →