Transfer Learning with LDA Topic Model
Transfer Learning with LDA Topic Model tillämpar kunskap från en väletablerad källdomän för att vägleda inferens med Latent Dirichlet Allocation (LDA) på en målspråksdomän med databrist. Genom att injicera källdrivna ämnes-priorer i Dirichlet-hyperparametrarna, producerar metoden koherenta, domänspecifika ämnen även när texten i måldomänen är begränsad, vilket minskar mängden märkt eller omärkt data som krävs för meningsfulla resultat.
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
- Chen, Z., Mukherjee, A., Liu, B., Hsu, M., Malas, M., & Wang, S. (2013). Leveraging multi-domain prior knowledge in topic models. In Proceedings of the Twenty-Third International Joint Conference on Artificial Intelligence (IJCAI-13), pp. 2071–2077. link ↗
- Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993–1022. link ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Transfer Learning with Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/sv/deep-learning/transfer-learning-with-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.
- Finjusterad LDA-ämnesskapareDjupinlärning↔ compare
- LDA-ämnesmodell (LDA Topic Model)Djupinlärning↔ compare
- ÄmnesmodelleringDjupinlärning↔ compare
- Överföringsinlärning med NMF-ämnesmodellDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →