[NEEDS TRANSLATION]
Latent Dirichlet Allocation (LDA) คือแบบจำลองความน่าจะเป็นเชิงกำเนิด (generative probabilistic model) สำหรับข้อมูลแบบไม่ต่อเนื่อง (discrete data) ซึ่งถูกนำเสนอโดย Blei, Ng, และ Jordan ในปี 2003 แบบจำลองนี้มองเอกสารแต่ละฉบับเป็นส่วนผสมของหัวข้อแฝง (latent topics) และมองหัวข้อแต่ละหัวข้อเป็นการแจกแจงความน่าจะเป็นเหนือคำศัพท์ (probability distribution over words) ทำให้สามารถค้นพบโครงสร้างเชิงเนื้อหา (thematic structure) แบบไม่มีผู้สอน (unsupervised) ในคลังข้อความขนาดใหญ่ได้ LDA เป็นหนึ่งในงานวิจัยที่มีการอ้างอิงถึงมากที่สุดในสาขาการเรียนรู้ของเครื่อง (machine learning) และการประมวลผลภาษาธรรมชาติ (natural language processing)
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. DOI: 10.5555/944919.944937 ↗
- Blei, D. M. (2012). Probabilistic topic models. Communications of the ACM, 55(4), 77–84. DOI: 10.1145/2133806.2133826 ↗
- Bishop, C. M. (2006). Pattern Recognition and Machine Learning (Ch. 9). Springer. ISBN: 978-0-387-31073-2
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Latent Dirichlet Allocation (LDA — Blei, Ng & Jordan 2003). ScholarGate. https://scholargate.app/th/machine-learning/latent-dirichlet-allocation
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.
- การจัดกลุ่มแบบ K-Meansการเรียนรู้ของเครื่อง↔ compare
- การแยกตัวประกอบเมทริกซ์ไม่เป็นลบ (NMF)การเรียนรู้ของเครื่อง↔ compare
- Word2Vecการทำเหมืองข้อความ↔ compare