Jemne doladené modelovanie tém
Jemne doladené modelovanie tém (Fine-Tuned Topic Modeling) adaptuje predtrénované jazykové modely – ako BERT alebo Sentence-BERT – na objavovanie latentných tém v zbierkach dokumentov. Na rozdiel od klasických pravdepodobnostných metód (LDA, NMF) využíva bohaté kontextové vkladané reprezentácie (embeddings) a voliteľne jemne dolaďuje základný model na korpusoch špecifických pre danú doménu, čím produkuje koherentnejšie a sémanticky zmysluplnejšie témy, najmä pri krátkych textoch alebo špecializovaných doménach.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Fine-Tuned Neural Topic Modeling with Pre-trained Language Models. ScholarGate. https://scholargate.app/sk/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.
- Klasifikácia založená na BERTHlboké učenie↔ compare
- Jemne doladená klasifikácia založená na BERTHlboké učenie↔ compare
- Model topicov LDAHlboké učenie↔ compare
- NMF Topic ModelHlboké učenie↔ compare
- Vektorové reprezentácie vietHlboké učenie↔ compare
- Modelovanie témHlboké učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →