Ämnesmodellering — Latent Dirichlet-allokering
Latent Dirichlet-allokering (LDA) är en generativ probabilistisk modell som introducerades av Blei, Ng och Jordan (2003) och som extraherar de dolda ämnesfördelningarna som ligger till grund för en samling dokument. Den behandlar varje dokument som en blandning av latenta ämnen och varje ämne som en fördelning över ord, vilket omvandlar en oetiketterad korpus till tolkningsbara teman.
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. link ↗
Så citerar du den här sidan
ScholarGate. (2026, June 1). Latent Dirichlet Allocation Topic Modeling. ScholarGate. https://scholargate.app/sv/text-mining/topic-modeling-lda
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.
- DokumentklustringTextutvinning↔ compare
- SentimentanalysTextutvinning↔ compare
- TF-IDFTextutvinning↔ compare
- Word2VecTextutvinning↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →