Självövervakad LDA-ämnesmodell
Självövervakad LDA kombinerar det probabilistiska generativa ramverket för Latent Dirichlet Allocation med självövervakade förträningssignaler – såsom maskerad ordprediktion eller kontrastiva dokumentmål – för att styra ämnesupptäckt utan att kräva manuellt märkta träningsdata. Resultatet är ämnesrepresentationer som samtidigt är förankrade i distributionsstatistik och berikade av språkstrukturen som lärts från råtext.
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
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Self-supervised Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/sv/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-baserad klassificeringDjupinlärning↔ compare
- LDA-ämnesmodell (LDA Topic Model)Djupinlärning↔ compare
- NMF ÄmnesmodellDjupinlärning↔ compare
- Semi-supervised LDA Topic ModelDjupinlärning↔ compare
- MeningsinbäddningarDjupinlärning↔ compare
- ÄmnesmodelleringDjupinlärning↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →