Latent Dirichlet Allocation (LDA)
Latent Dirichlet Allocation (LDA) er en generativ probabilistisk modell for samlinger av diskrete data, introdusert av Blei, Ng og Jordan i 2003. Den behandler hvert dokument som en blanding av latente temaer og hvert tema som en sannsynlighetsfordeling over ord, noe som muliggjør uovervåket oppdagelse av tematisk struktur på tvers av store tekstkorpus. Det er en av de mest siterte artiklene innen maskinlæring og naturlig språkbehandling.
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. DOI: 10.5555/944919.944937 ↗
- Blei, D. M. (2012). Probabilistic topic models. Communications of the ACM, 55(4), 77–84. DOI: 10.1145/2133806.2133826 ↗
- Bishop, C. M. (2006). Pattern Recognition and Machine Learning (Ch. 9). Springer. ISBN: 978-0-387-31073-2
Slik siterer du denne siden
ScholarGate. (2026, June 3). Latent Dirichlet Allocation (LDA — Blei, Ng & Jordan 2003). ScholarGate. https://scholargate.app/no/machine-learning/latent-dirichlet-allocation
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.
- K-Means-klyngingMaskinlæring↔ compare
- Non-negativ matrisefaktorisering (NMF)Maskinlæring↔ compare
- Word2VecTekstutvinning↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →