Semi-övervakad ämnesmodellering
Semi-övervakad ämnesmodellering utökar oövervakade ämnesmodeller som LDA genom att införliva partiell mänsklig övervakning — startord, märkta dokument eller måste-länka/kan-inte-länka-begränsningar — för att styra upptäckta ämnen mot meningsfulla, domänspecifika kategorier, samtidigt som den stora omärkta korpusen utnyttjas för statistisk styrka.
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
- Ramage, D., Hall, D., Nallapati, R., & Manning, C. D. (2009). Labeled LDA: A supervised topic model for credit attribution in multi-labeled corpora. Proceedings of the 2009 Conference on Empirical Methods in Natural Language Processing, 248–256. Association for Computational Linguistics. link ↗
- Andrzejewski, D., Zhu, X., & Craven, M. (2009). Incorporating domain knowledge into topic modeling via Dirichlet forest priors. Proceedings of the 26th Annual International Conference on Machine Learning (ICML), 25–32. link ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Semi-supervised Topic Modeling (Seed-guided and Labeled LDA variants). ScholarGate. https://scholargate.app/sv/deep-learning/semi-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.
- Latent Dirichlet Allocation (LDA)Maskininlärning↔ compare
- Icke-negativ matris-faktorisering (NMF)Maskininlärning↔ compare
- Word2VecTextutvinning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →