Modelare de subiecte fin-reglată
Modelarea de subiecte fin-reglată adaptează modele lingvistice pre-antrenate — precum BERT sau Sentence-BERT — pentru a descoperi subiecte latente într-o colecție de documente. Spre deosebire de metodele probabilistice clasice (LDA, NMF), aceasta valorifică embedding-uri contextuale bogate și, opțional, reglează fin rețeaua de bază pe corpusuri specifice domeniului, producând subiecte mai coerente și semantic semnificative, în special pe texte scurte sau domenii specializate.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- Bianchi, F., Terragni, S., Hovy, D., Nozza, D., & Fersini, E. (2021). Cross-lingual Contextualized Topic Models with Zero-shot Learning. Proceedings of the 16th Conference of the European Chapter of the Association for Computational Linguistics, 1676–1683. DOI: 10.18653/v1/2021.eacl-main.143 ↗
- Grootendorst, M. (2022). BERTopic: Neural topic modeling with a class-based TF-IDF procedure. arXiv preprint arXiv:2203.05794. link ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Fine-Tuned Neural Topic Modeling with Pre-trained Language Models. ScholarGate. https://scholargate.app/ro/deep-learning/fine-tuned-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.
- Clasificare bazată pe BERTÎnvățare profundă↔ compare
- Clasificare bazată pe BERT fin-reglatÎnvățare profundă↔ compare
- Model de Subiecte LDAÎnvățare profundă↔ compare
- Model de Topic NMFÎnvățare profundă↔ compare
- Embeddings de propozițiiÎnvățare profundă↔ compare
- Modelarea tematicăÎnvățare profundă↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →