แบบจำลองหัวข้อ LDA แบบกำกับตนเอง
Self-supervised LDA ผสมผสานกรอบการสร้างแบบจำลองเชิงความน่าจะเป็นของ Latent Dirichlet Allocation เข้ากับสัญญาณการฝึกเบื้องต้นแบบกำกับตนเอง เช่น การทำนายคำที่ถูกปิดบัง หรือวัตถุประสงค์ของเอกสารแบบเปรียบต่าง เพื่อนำทางการค้นหาหัวข้อโดยไม่จำเป็นต้องใช้ข้อมูลฝึกที่ติดป้ายกำกับด้วยตนเอง ผลลัพธ์ที่ได้คือการแสดงหัวข้อที่ทั้งยึดตามสถิติการกระจายและเสริมด้วยโครงสร้างภาษาที่เรียนรู้จากข้อความดิบ
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993–1022. link ↗
- Meng, Y., Huang, J., Zhang, Y., & Han, J. (2022). Topic Discovery via Latent Space Clustering of Pretrained Language Model Representations. Proceedings of WWW 2022, ACM. DOI: 10.1145/3485447.3512034 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Self-supervised Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/th/deep-learning/self-supervised-lda-topic-model
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- การจำแนกประเภทโดยใช้ BERTการเรียนรู้เชิงลึก↔ compare
- แบบจำลองหัวข้อ LDAการเรียนรู้เชิงลึก↔ compare
- แบบจำลองหัวข้อ NMFการเรียนรู้เชิงลึก↔ compare
- แบบจำลองหัวข้อ LDA แบบกึ่งมีผู้สอน (Semi-supervised LDA Topic Model)การเรียนรู้เชิงลึก↔ compare
- Sentence Embeddingsการเรียนรู้เชิงลึก↔ compare
- การสร้างแบบจำลองหัวข้อ (Topic Modeling)การเรียนรู้เชิงลึก↔ compare