Svakt veiledet LDA-emnemodell
Svakt veiledet LDA er en utvidelse av Latent Dirichlet Allocation som inkorporerer lettvekts menneskelig veiledning — typisk nøkkelordfrø eller må-lenke/kan-ikke-lenke-begrensninger — i Dirichlet-prior-fordelingene, og styrer lærte emner mot domenespesifikke, meningsfulle temaer uten å kreve fullstendig merkede dokumenter. Den plasserer seg mellom fullstendig uovervåket LDA og veiledet klassifisering, noe som gjør den godt egnet for situasjoner der merking av tusenvis av dokumenter er upraktisk.
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
- Jagarlamudi, J., Daume III, H., & Udupa, R. (2012). Incorporating Lexical Priors into Topic Models. Proceedings of the 13th Conference of the European Chapter of the Association for Computational Linguistics (EACL 2012), pp. 204–213. link ↗
- Andrzejewski, D., Zhu, X., & Craven, M. (2009). Incorporating Domain Knowledge into Topic Modeling via Dirichlet Forest Priors. Proceedings of the 26th International Conference on Machine Learning (ICML 2009), pp. 25–32. link ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Weakly Supervised Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/no/deep-learning/weakly-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.
- LDA emnemodellDyp læring↔ compare
- NMF emnemodellDyp læring↔ compare
- Semi-supervised LDA-emnemodellDyp læring↔ compare
- SetningsembddingerDyp læring↔ compare
- Emne-modelleringDyp læring↔ compare
- Svak overvåket BERT-basert klassifiseringDyp læring↔ compare
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →