Machine learningDeep learning / NLP / CV

Самеучена моделовање тема

Самеучена моделовање тема комбинује интерпретабилне откривање тема класичних модела тема са самеученим циљевима учења — као што су контрастивни губитак, моделирање језика са маскирањем или реконструкција — да би се научиле кохерентне, семантички богате теме из текста без ознака, без ознака које је направио човек. Премошћује класичне вероватносне моделе тема и модерно учење репрезентације, дајући теме боље усклађене са контекстуалним значењем.

Otvorite u MethodMindUskoroVideoUskoroDownload slides

Pročitajte celu metodu

Samo za članove

Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.

Prijavite se

Method map

The neighbourhood of related methods — select a node to explore.

Самеучена моделовање тема

BERT-based Classification LDA modelovanje tema NMF Topic Model Polu-nadgledano modelova…Ugrađivanje rečenica

Izvori

Wu, X., Li, C., Zhu, Y., & Miao, Y. (2023). Effective Neural Topic Modeling with Embedding Clustering Regularization. Proceedings of the 40th International Conference on Machine Learning (ICML 2023), PMLR 202, 37335–37357. link ↗
Topic model. Wikipedia. link ↗

Kako citirati ovu stranicu

ScholarGate. (2026, June 3). Self-Supervised Topic Modeling. ScholarGate. https://scholargate.app/sr/deep-learning/self-supervised-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.

BERT-based ClassificationDuboko učenje↔ compare
LDA modelovanje temaDuboko učenje↔ compare
NMF Topic ModelDuboko učenje↔ compare
Polu-nadgledano modelovanje temaDuboko učenje↔ compare
Ugrađivanje rečenicaDuboko učenje↔ compare

Compare side by side →

Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →