Модель тематического моделирования с частичной разметкой на основе ЛДА
Полуавтоматическая ЛДА расширяет стандартное латентное распределение Дирихле, включая небольшое количество надзора — ключевые слова, размеченные документы или ограничения на пары слов «должно быть вместе»/«не должно быть вместе» — для направления обнаружения тем к семантически согласованным, интерпретируемым темам. Она служит мостом между неконтролируемым тематическим моделированием и полностью контролируемой классификацией текстов, что делает ее особенно ценной, когда полная разметка является дорогостоящей.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Semi-supervised Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/ru/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.
- Классификация на основе BERTГлубокое обучение↔ compare
- Тематическая модель LDAГлубокое обучение↔ compare
- Тематическая модель NMF с частичным обучениемГлубокое обучение↔ compare
- Трансформер с полуавтоматическим обучениемГлубокое обучение↔ compare
- Векторные представления предложенийГлубокое обучение↔ compare
- Тематическое моделированиеГлубокое обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →