Transfer Learning with LDA Topic Model
Transfer Learning with LDA Topic Model stosuje wiedzę z dobrze zbadanej domeny źródłowej do kierowania wnioskowania modelu tematów Latent Dirichlet Allocation na domenę docelową o ograniczonej ilości danych. Poprzez wstrzyknięcie priorytetów tematów pochodzących ze źródła do hiperparametrów Dirichleta, metoda generuje spójne, istotne dla domeny tematy, nawet gdy tekst w domenie docelowej jest ograniczony, redukując tym samym objętość danych oznakowanych lub nieoznakowanych wymaganych do uzyskania znaczących wyników.
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
- Chen, Z., Mukherjee, A., Liu, B., Hsu, M., Malas, M., & Wang, S. (2013). Leveraging multi-domain prior knowledge in topic models. In Proceedings of the Twenty-Third International Joint Conference on Artificial Intelligence (IJCAI-13), pp. 2071–2077. link ↗
- Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993–1022. link ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Transfer Learning with Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/pl/deep-learning/transfer-learning-with-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.
- Dostrojony model tematyczny LDAUczenie głębokie↔ compare
- Model tematyczny LDAUczenie głębokie↔ compare
- Modelowanie tematówUczenie głębokie↔ compare
- Transfer Learning z NMF Topic ModelUczenie głębokie↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →