Modelare de subiecte LDA semi-supervizată
Modelarea LDA semi-supervizată extinde Latent Dirichlet Allocation standard prin încorporarea unei cantități mici de supervizare — cuvinte semințe, documente etichetate sau constrângeri de cuvinte de tip must-link/cannot-link — pentru a ghida descoperirea subiectelor către teme semantic coerente și interpretabile. Ea face legătura între modelarea subiectelor nesupervizată și clasificarea textului complet supervizată, făcând-o deosebit de valoroasă atunci când adnotarea completă este costisitoare.
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
- 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 EMNLP, 248–256. link ↗
- Andrzejewski, D., Zhu, X., & Craven, M. (2009). Incorporating domain knowledge into topic modeling via Dirichlet Forest priors. Proceedings of ICML, 25–32. DOI: 10.1145/1553374.1553378 ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Semi-supervised Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/ro/deep-learning/semi-supervised-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.
- Clasificare bazată pe BERTÎnvățare profundă↔ compare
- Model de Subiecte LDAÎnvățare profundă↔ compare
- Model de subiecte semi-supervizat prin factorizare matricială nenegativă (NMF)Învățare profundă↔ compare
- Transformer semi-supervizatÎnvățare 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 →