Modelagem de Tópicos Semi-supervisionada
A modelagem de tópicos semi-supervisionada estende modelos de tópicos não supervisionados como o LDA incorporando supervisão humana parcial — palavras-semente, documentos rotulados ou restrições de 'deve-ligar'/'não-pode-ligar' — para direcionar os tópicos descobertos para categorias significativas e relevantes ao domínio, ao mesmo tempo que explora o grande corpus não rotulado para força estatística.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 the 2009 Conference on Empirical Methods in Natural Language Processing, 248–256. Association for Computational Linguistics. link ↗
- Andrzejewski, D., Zhu, X., & Craven, M. (2009). Incorporating domain knowledge into topic modeling via Dirichlet forest priors. Proceedings of the 26th Annual International Conference on Machine Learning (ICML), 25–32. link ↗
Como citar esta página
ScholarGate. (2026, June 3). Semi-supervised Topic Modeling (Seed-guided and Labeled LDA variants). ScholarGate. https://scholargate.app/pt/deep-learning/semi-supervised-topic-modeling
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.
- Alocação de Dirichlet Latente (LDA)Aprendizado de máquina↔ compare
- Fatoração de Matriz Não-Negativa (NMF)Aprendizado de máquina↔ compare
- Word2VecMineração de texto↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →