เปรียบเทียบวิธี

	การเรียนรู้แบบถ่ายโอนด้วย Word2Vec	แบบจำลองหัวข้อ LDA
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2013-2014	2003
ผู้ริเริ่ม	Mikolov, T. et al. (Word2Vec); transfer-learning application popularised by Kim, Y.	Blei, D. M., Ng, A. Y., & Jordan, M. I.
ประเภท	Transfer learning / embedding initialization	Probabilistic generative topic model
แหล่งต้นตำรับ	Mikolov, T., Sutskever, I., Chen, K., Corrado, G. S., & Dean, J. (2013). Distributed representations of words and phrases and their compositionality. Advances in Neural Information Processing Systems (NIPS), 26, 3111-3119.	Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993–1022.
ชื่อเรียกอื่น	Word2Vec transfer learning, pre-trained Word2Vec embeddings, Word2Vec embedding initialization, Word2Vec fine-tuning	LDA, Latent Dirichlet Allocation, LDA Topic Modeling, Dirichlet Topic Model
ที่เกี่ยวข้อง	5	5
สรุป	Transfer Learning with Word2Vec uses word embeddings pre-trained on large text corpora via the Skip-gram or CBOW objectives introduced by Mikolov et al. (2013) to initialize the embedding layer of a downstream NLP model. This approach transfers distributional semantic knowledge to tasks where labeled data is scarce, consistently outperforming random initialization.	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.