เปรียบเทียบวิธี

	[NEEDS TRANSLATION]	Word2Vec
สาขาวิชา	การเรียนรู้ของเครื่อง	การทำเหมืองข้อความ
ตระกูล	Latent structure	Process / pipeline
ปีกำเนิด	2003	2013
ผู้ริเริ่ม	Blei, D. M.; Ng, A. Y.; Jordan, M. I.	Tomas Mikolov et al.
ประเภท	Generative probabilistic topic model (three-level hierarchical Bayesian)	Neural word-embedding model
แหล่งต้นตำรับ	Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet allocation. Journal of Machine Learning Research, 3, 993–1022.	Mikolov, T., Chen, K., Corrado, G. & Dean, J. (2013). Efficient Estimation of Word Representations in Vector Space.
ชื่อเรียกอื่น	LDA, topic model, Blei-Ng-Jordan model, probabilistic topic modeling	word embeddings, skip-gram, continuous bag-of-words, Word2Vec Kelime Gömülmeleri
ที่เกี่ยวข้อง	3	4
สรุป	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.	Word2Vec is a neural word-embedding technique introduced by Mikolov and colleagues in 2013 that maps each word in a text corpus to a dense numeric vector. Words that appear in similar contexts end up close together in the vector space, so the embeddings capture semantic similarity that can be measured arithmetically.