Samonadgledani LDA model teme
Самонадгледани LDA комбинује вероватносни генеративни оквир Латентне Дирихлеове Алокације са сигналима самонадгледаног претпремања — као што су предвиђање маскираних речи или контрастивни циљеви докумената — да би се усмерило откривање тема без потребе за ручно означеним подацима за обуку. Резултат су репрезентације тема које су истовремено утемељене у дистрибутивним статистикама и обогаћене језичком структуром наученом из сировог текста.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Self-supervised Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/sr/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.
- BERT-based ClassificationDuboko učenje↔ compare
- LDA modelovanje temaDuboko učenje↔ compare
- NMF Topic ModelDuboko učenje↔ compare
- Полунадгледани LDA модел темаDuboko učenje↔ compare
- Ugrađivanje rečenicaDuboko učenje↔ compare
- Modeliranje temaDuboko učenje↔ compare
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →