เปรียบเทียบวิธี
ดูวิธีที่เลือกเทียบกันแบบเคียงข้าง แถวที่ต่างกันจะถูกเน้นไว้
| การจำแนกหัวข้อ× | การจัดกลุ่มเอกสาร× | |
|---|---|---|
| สาขาวิชา | การทำเหมืองข้อความ | การทำเหมืองข้อความ |
| ตระกูล | Process / pipeline | Process / pipeline |
| ปีกำเนิด≠ | 2003 | — |
| ผู้ริเริ่ม≠ | Blei, Ng & Jordan | — |
| ประเภท≠ | Generative probabilistic topic model | Unsupervised text-mining task |
| แหล่งต้นตำรับ≠ | Blei, D.M., Ng, A.Y. & Jordan, M.I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993-1022. link ↗ | Aggarwal, C. C. & Zhai, C. (2012). Mining Text Data. Springer. ISBN: 9781461432227 |
| ชื่อเรียกอื่น | LDA, latent Dirichlet allocation, Konu Modelleme — LDA | text clustering, unsupervised text grouping, Belge Kümeleme (Document Clustering) |
| ที่เกี่ยวข้อง | 4 | 4 |
| สรุป≠ | Latent Dirichlet Allocation (LDA) is a generative probabilistic model introduced by Blei, Ng and Jordan (2003) that extracts the hidden topic distributions underlying a collection of documents. It treats each document as a mixture of latent topics and each topic as a distribution over words, turning an unlabelled corpus into interpretable themes. | Document clustering is an unsupervised text-mining task that groups documents with similar content together without using any labels. It is used to organise large collections and for exploratory analysis, drawing on the body of text-mining techniques consolidated by Aggarwal and Zhai (2012) and compared empirically by Steinbach, Karypis and Kumar (2000). |
| ScholarGateชุดข้อมูล ↗ |
|
|