Latent Dirichlet Allocation (LDA)
Latent Dirichlet Allocation (LDA) är en generativ probabilistisk modell för samlingar av diskreta data, introducerad av Blei, Ng och Jordan år 2003. Den behandlar varje dokument som en blandning av latenta ämnen och varje ämne som en sannolikhetsfördelning över ord, vilket möjliggör oövervakad upptäckt av tematisk struktur i stora textkorpusar. Det är en av de mest citerade artiklarna inom maskininlärning och naturlig språkbehandling.
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. 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
Så citerar du den här sidan
ScholarGate. (2026, June 3). Latent Dirichlet Allocation (LDA — Blei, Ng & Jordan 2003). ScholarGate. https://scholargate.app/sv/machine-learning/latent-dirichlet-allocation
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.
- K-Means-klustringMaskininlärning↔ compare
- Icke-negativ matris-faktorisering (NMF)Maskininlärning↔ compare
- Word2VecTextutvinning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →