เปรียบเทียบวิธี

	Word2Vec ที่ปรับละเอียด	แบบจำลองหัวข้อ LDA
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2013 (Word2Vec); fine-tuning practice 2014–2016	2003
ผู้ริเริ่ม	Mikolov, T. et al. (Word2Vec); fine-tuning practice generalised by the NLP community post-2013	Blei, D. M., Ng, A. Y., & Jordan, M. I.
ประเภท	Domain-adapted word embedding model	Probabilistic generative topic model
แหล่งต้นตำรับ	Mikolov, T., Chen, K., Corrado, G., & Dean, J. (2013). Efficient estimation of word representations in vector space. In Proceedings of ICLR 2013 Workshop.	Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993–1022.
ชื่อเรียกอื่น	domain-adapted Word2Vec, continued-training Word2Vec, Word2Vec fine-tuning, W2V domain adaptation	LDA, Latent Dirichlet Allocation, LDA Topic Modeling, Dirichlet Topic Model
ที่เกี่ยวข้อง	6	5
สรุป	Fine-Tuned Word2Vec adapts a pre-trained Word2Vec model to a specific domain or task by continuing its training on domain-specific text. Rather than training embeddings from scratch, practitioners load general-purpose vectors (e.g., Google News embeddings) and run additional Skip-gram or CBOW epochs on domain corpora, shifting word representations toward domain-specific usage patterns.	Latent Dirichlet Allocation (LDA) is a probabilistic generative model introduced by Blei, Ng, and Jordan in 2003 that discovers hidden thematic structure in large text collections by representing each document as a mixture of latent topics and each topic as a probability distribution over vocabulary words.