เปรียบเทียบวิธี

	Word2Vec แบบกึ่งมีผู้สอน	แบบจำลองหัวข้อ LDA
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2013–2015	2003
ผู้ริเริ่ม	Mikolov, T. et al. (Word2Vec); semi-supervised framing via Collobert & Weston and subsequent NLP literature	Blei, D. M., Ng, A. Y., & Jordan, M. I.
ประเภท	Semi-supervised representation learning	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.	Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993–1022.
ชื่อเรียกอื่น	Word2Vec with semi-supervised learning, semi-supervised word embeddings, Word2Vec SSL, unsupervised pretraining with Word2Vec	LDA, Latent Dirichlet Allocation, LDA Topic Modeling, Dirichlet Topic Model
ที่เกี่ยวข้อง	6	5
สรุป	Semi-supervised Word2Vec trains dense word representations on a large unlabeled corpus using Word2Vec (skip-gram or CBOW), then uses those embeddings as fixed or fine-tunable input features for a downstream classifier trained on a small labeled dataset. This two-stage process lets models benefit from abundant unlabeled text when labeled data is scarce.	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.