Rozkład Dirichleta (LDA)
Rozkład Dirichleta (LDA) to generatywny probabilistyczny model dla kolekcji danych dyskretnych, wprowadzony przez Blei, Ng i Jordan w 2003 roku. Traktuje każdy dokument jako mieszaninę ukrytych tematów, a każdy temat jako rozkład prawdopodobieństwa nad słowami, umożliwiając odkrywanie struktury tematycznej w dużych korpusach tekstowych bez nadzoru. Jest to jeden z najczęściej cytowanych artykułów w dziedzinie uczenia maszynowego i przetwarzania języka naturalnego.
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. 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
Jak cytować tę stronę
ScholarGate. (2026, June 3). Latent Dirichlet Allocation (LDA — Blei, Ng & Jordan 2003). ScholarGate. https://scholargate.app/pl/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.
- Klasteryzacja K-średnichUczenie maszynowe↔ compare
- NMF (Non-negative Matrix Factorization)Uczenie maszynowe↔ compare
- Word2VecEksploracja tekstu↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →