Metodbevispost
Fine-Tuned Topic Modeling
Fine-Tuned Topic Modeling adapts pre-trained language models — such as BERT or Sentence-BERT — to discover latent topics in document collections. Unlike classical probabilistic methods (LDA, NMF), it leverages rich contextual embeddings and optionally fine-tunes the backbone on domain-specific corpora, producing more coherent and semantically meaningful topics, especially on short texts or specialized domains.
Källpost
Citat kopierade ordagrant från metodens källpost. Ingen verifiering på källnivå härleds från dem.
Fine-Tuned Neural Topic Modeling with Pre-trained Language Models
Taxonomisk metodpost · ml-model / deep-learning
- 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. · URL
Kuraterade påståenden
Påståenden lagrade i bevisloggen, var och en med sin egen bedömning.
Inga kuraterade påståenden ännu
Denna vy hittar inte på en påståendebedömning när loggen saknar en.
Relaterade metoder
Genererade från metodgrafen och visade som maskinföreslagna relationer – inga bevispåståenden härleds.