Порівняння методів
Переглядайте обрані методи поруч; рядки з відмінностями підсвічено.
| Тематична модель LDA× | Word2Vec× | |
|---|---|---|
| Галузь≠ | Глибоке навчання | Інтелектуальний аналіз тексту |
| Родина≠ | Machine learning | Process / pipeline |
| Рік появи≠ | 2003 | 2013 |
| Автор методу≠ | Blei, D. M., Ng, A. Y., & Jordan, M. I. | Tomas Mikolov et al. |
| Тип≠ | Probabilistic generative topic model | Neural word-embedding model |
| Основоположне джерело≠ | Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993–1022. link ↗ | Mikolov, T., Chen, K., Corrado, G. & Dean, J. (2013). Efficient Estimation of Word Representations in Vector Space. link ↗ |
| Інші назви | LDA, Latent Dirichlet Allocation, LDA Topic Modeling, Dirichlet Topic Model | word embeddings, skip-gram, continuous bag-of-words, Word2Vec Kelime Gömülmeleri |
| Пов'язані≠ | 5 | 4 |
| Підсумок≠ | 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. | Word2Vec is a neural word-embedding technique introduced by Mikolov and colleagues in 2013 that maps each word in a text corpus to a dense numeric vector. Words that appear in similar contexts end up close together in the vector space, so the embeddings capture semantic similarity that can be measured arithmetically. |
| ScholarGateНабір даних ↗ |
|
|