Finjusterad ämnesmodellering
Finjusterad ämnesmodellering anpassar förtränade språkmodeller – såsom BERT eller Sentence-BERT – för att upptäcka latenta ämnen i dokumentsamlingar. Till skillnad från klassiska probabilistiska metoder (LDA, NMF) utnyttjar den rika kontextuella inbäddningar och finjusterar eventuellt ryggraden på domänspecifika korpusar, vilket ger mer sammanhängande och semantiskt meningsfulla ämnen, särskilt för korta texter eller specialiserade domäner.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Fine-Tuned Neural Topic Modeling with Pre-trained Language Models. ScholarGate. https://scholargate.app/sv/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.
- BERT-baserad klassificeringDjupinlärning↔ compare
- Fintrimmad BERT-baserad klassificeringDjupinlärning↔ compare
- LDA-ämnesmodell (LDA Topic Model)Djupinlärning↔ compare
- NMF ÄmnesmodellDjupinlärning↔ compare
- MeningsinbäddningarDjupinlärning↔ compare
- ÄmnesmodelleringDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →