BERTopic — Neural ämnesmodellering
BERTopic är en pipeline för neural ämnesmodellering som introducerades av Maarten Grootendorst år 2022. Den kombinerar BERT-baserade kontextuella inbäddningar med UMAP-dimensionsreducering och HDBSCAN-klustring för att producera koherenta, dynamiska ämnen, vilket ger högre ämneskoherens än klassiska ämnesmodeller.
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
- Grootendorst, M. (2022). BERTopic: Neural topic modeling with a class-based TF-IDF procedure. arXiv:2203.05794. DOI: 10.48550/arXiv.2203.05794 ↗
- McInnes, L., Healy, J. & Astels, S. (2017). hdbscan: Hierarchical density based clustering. Journal of Open Source Software, 2(11), 205. DOI: 10.21105/joss.00205 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 1). BERTopic — Neural Topic Modeling. ScholarGate. https://scholargate.app/sv/text-mining/topic-modeling-bertopic
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.
- BERT-inbäddningarTextutvinning↔ compare
- DokumentklustringTextutvinning↔ compare
- SentimentanalysTextutvinning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →