Półnadzorowany model tematyczny LDA
Półnadzorowany LDA rozszerza standardowy model Latent Dirichlet Allocation (LDA) o niewielką ilość informacji nadzorujących — słowa-zalążki, dokumenty z etykietami lub ograniczenia typu „muszą pasować”/„nie mogą pasować” dla słów — w celu ukierunkowania odkrywania tematów na semantycznie spójne, interpretowalne wątki. Łączy on odkrywanie tematów w sposób nienadzorowany z pełnym nadzorowanym klasyfikowaniem tekstów, co czyni go szczególnie cennym, gdy pełna adnotacja jest kosztowna.
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
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Semi-supervised Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/pl/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.
- Klasyfikacja oparta na BERTUczenie głębokie↔ compare
- Model tematyczny LDAUczenie głębokie↔ compare
- Półnadzorowany model tematyczny NMFUczenie głębokie↔ compare
- Transformery z uczeniem półnadzorowanymUczenie głębokie↔ compare
- Osadzanie zdańUczenie głębokie↔ compare
- Modelowanie tematówUczenie głębokie↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →