Metodbevispost

Latent Dirichlet Allocation

Latent Dirichlet Allocation (LDA) is a generative probabilistic model for collections of discrete data, introduced by Blei, Ng, and Jordan in 2003. It treats each document as a mixture of latent topics and each topic as a probability distribution over words, enabling unsupervised discovery of thematic structure across large text corpora. It is one of the most cited papers in machine learning and natural language processing.

Sources recorded, not reviewed

Källpost

Citat kopierade ordagrant från metodens källpost. Ingen verifiering på källnivå härleds från dem.

Latent Dirichlet Allocation (LDA — Blei, Ng & Jordan 2003)

Taxonomisk metodpost · latent-structure / machine-learning

Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet allocation. Journal of Machine Learning Research, 3, 993–1022. · DOI 10.5555/944919.944937
Blei, D. M. (2012). Probabilistic topic models. Communications of the ACM, 55(4), 77–84. · DOI 10.1145/2133806.2133826
Bishop, C. M. (2006). Pattern Recognition and Machine Learning (Ch. 9). Springer. · ISBN 978-0-387-31073-2

Öppna fullständig metod

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.

Used in the same domainK-Means Clusteringmachine-suggested · Relational suggestion, not evidence.Same method familyNon-negative Matrix Factorizationmachine-suggested · Relational suggestion, not evidence.See alsoWord2Vecmachine-suggested · Relational suggestion, not evidence.