Samonadzorowany model tematyczny LDA
Samonadzorowany LDA łączy probabilistyczny, generatywny model rozkładu Dirichleta z sygnałami wstępnego uczenia samonadzorowanego — takimi jak przewidywanie zamaskowanych słów lub cele kontrastowego uczenia dokumentów — w celu kierowania odkrywaniem tematów bez potrzeby ręcznie etykietowanych danych treningowych. Rezultatem są reprezentacje tematów, które są jednocześnie zakorzenione w statystykach dystrybucyjnych i wzbogacone o strukturę językową nauczoną z surowego tekstu.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Self-supervised Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/pl/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.
- Klasyfikacja oparta na BERTUczenie głębokie↔ compare
- Model tematyczny LDAUczenie głębokie↔ compare
- Model tematyczny NMFUczenie głębokie↔ compare
- Półnadzorowany model tematyczny LDAUczenie głębokie↔ compare
- Osadzanie zdańUczenie głębokie↔ compare
- Modelowanie tematówUczenie głębokie↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →