Modelare tematică semi-supervizată
Modelarea tematică semi-supervizată extinde modelele tematice nesupervizate, cum ar fi LDA, prin încorporarea unei supravegheri umane parțiale — cuvinte seminale, documente etichetate sau constrângeri de tip must-link/cannot-link — pentru a orienta subiectele descoperite către categorii semnificative, relevante pentru domeniu, valorificând în același timp corpusul mare neetichetat pentru robustețe statistică.
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 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Semi-supervised Topic Modeling (Seed-guided and Labeled LDA variants). ScholarGate. https://scholargate.app/ro/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.
- Latent Dirichlet Allocation (LDA)Învățare automată↔ compare
- Factorizare matricială non-negativă (NMF)Învățare automată↔ compare
- Word2VecMineritul textelor↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →