เปรียบเทียบวิธี

	แบบจำลองหัวข้อ LDA	Word2Vec
สาขาวิชา	การเรียนรู้เชิงลึก	การทำเหมืองข้อความ
ตระกูล	Machine learning	Process / pipeline
ปีกำเนิด	2003	2013
ผู้ริเริ่ม	Blei, D. M., Ng, A. Y., & Jordan, M. I.	Tomas Mikolov et al.
ประเภท	Probabilistic generative topic model	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, Latent Dirichlet Allocation, LDA Topic Modeling, Dirichlet Topic Model	word embeddings, skip-gram, continuous bag-of-words, Word2Vec Kelime Gömülmeleri
ที่เกี่ยวข้อง	5	4
สรุป	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.	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.