BERTopic — Neuronowe modelowanie tematów
BERTopic to neuronowy potok modelowania tematów wprowadzony przez Maartena Grootendorsta w 2022 roku. Łączy on kontekstowe osadzenia (embeddings) oparte na BERT z redukcją wymiarowości UMAP i klastrowaniem HDBSCAN, aby generować spójne, dynamiczne tematy, osiągając wyższą spójność tematów niż klasyczne modele tematów.
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
- Grootendorst, M. (2022). BERTopic: Neural topic modeling with a class-based TF-IDF procedure. arXiv:2203.05794. DOI: 10.48550/arXiv.2203.05794 ↗
- McInnes, L., Healy, J. & Astels, S. (2017). hdbscan: Hierarchical density based clustering. Journal of Open Source Software, 2(11), 205. DOI: 10.21105/joss.00205 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 1). BERTopic — Neural Topic Modeling. ScholarGate. https://scholargate.app/pl/text-mining/topic-modeling-bertopic
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.
- Osadzenia BERTEksploracja tekstu↔ compare
- Grupowanie dokumentówEksploracja tekstu↔ compare
- Analiza sentymentuEksploracja tekstu↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →