Самообучающаяся тематическая модель LDA
Самообучающаяся LDA объединяет вероятностную генеративную структуру Латентного размещения Дирихле с сигналами самообучающей предварительной тренировки — такими как предсказание маскированного слова или контрастивные цели документа — для управления обнаружением тем без необходимости ручной разметки обучающих данных. Результатом являются представления тем, которые одновременно основаны на статистике распределения и обогащены языковой структурой, изученной из необработанного текста.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993–1022. link ↗
- Meng, Y., Huang, J., Zhang, Y., & Han, J. (2022). Topic Discovery via Latent Space Clustering of Pretrained Language Model Representations. Proceedings of WWW 2022, ACM. DOI: 10.1145/3485447.3512034 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Self-supervised Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/ru/deep-learning/self-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.
- Классификация на основе BERTГлубокое обучение↔ compare
- Тематическая модель LDAГлубокое обучение↔ compare
- Тематическая модель NMFГлубокое обучение↔ compare
- Модель тематического моделирования с частичной разметкой на основе ЛДАГлубокое обучение↔ compare
- Векторные представления предложенийГлубокое обучение↔ compare
- Тематическое моделированиеГлубокое обучение↔ compare
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →