Modelimi i temave i përshtatur (Fine-Tuned Topic Modeling)
Modelimi i temave i përshtatur përshtat modelet e gjuhës së paratrajnuara — si BERT ose Sentence-BERT — për të zbuluar tema latente në koleksionet e dokumenteve. Në ndryshim nga metodat probabilistike klasike (LDA, NMF), ai shfrytëzon embedding-je kontekstuale të pasura dhe opsionalisht përshtat shtresën bazë (backbone) në korpuse të specializuara për një domen, duke prodhuar tema më koherente dhe kuptimplota semantikisht, veçanërisht në tekste të shkurtra ose domene të specializuara.
Lexoni metodën e plotë
Hyni me një llogari falas për ta lexuar këtë seksion.
Method map
The neighbourhood of related methods — select a node to explore.
Burimet
- 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 ↗
Si ta citoni këtë faqe
ScholarGate. (2026, June 3). Fine-Tuned Neural Topic Modeling with Pre-trained Language Models. ScholarGate. https://scholargate.app/sq/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.
- Klasifikimi i bazuar në BERTMësimi i thellë↔ compare
- Klasifikim i bazuar në BERT të Stërvitur imëtMësimi i thellë↔ compare
- Model Tematik LDAMësimi i thellë↔ compare
- Modeli Tematik NMFMësimi i thellë↔ compare
- Embërtimet e fjaliveMësimi i thellë↔ compare
- Modelimi i temaveMësimi i thellë↔ compare
Cituar nga
Vutë re një problem në këtë faqe? Raportojeni ose sugjeroni një korrigjim →