Порівняння методів
Переглядайте обрані методи поруч; рядки з відмінностями підсвічено.
| Напівкерована модель тем LDA× | Тематична модель LDA× | |
|---|---|---|
| Галузь | Глибоке навчання | Глибоке навчання |
| Родина | Machine learning | Machine learning |
| Рік появи≠ | 2009 | 2003 |
| Автор методу≠ | Ramage, D.; Andrzejewski, D. et al. | Blei, D. M., Ng, A. Y., & Jordan, M. I. |
| Тип≠ | Semi-supervised probabilistic topic model | Probabilistic generative topic model |
| Основоположне джерело≠ | Ramage, D., Hall, D., Nallapati, R., & Manning, C. D. (2009). Labeled LDA: A supervised topic model for credit attribution in multi-labeled corpora. Proceedings of EMNLP, 248–256. link ↗ | Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993–1022. link ↗ |
| Інші назви | Labeled LDA, Seeded LDA, Constrained LDA, SS-LDA | LDA, Latent Dirichlet Allocation, LDA Topic Modeling, Dirichlet Topic Model |
| Пов'язані≠ | 6 | 5 |
| Підсумок≠ | Semi-supervised LDA extends standard Latent Dirichlet Allocation by incorporating a small amount of supervision — seed words, labeled documents, or must-link/cannot-link word constraints — to guide topic discovery toward semantically coherent, interpretable themes. It bridges unsupervised topic modeling and fully supervised text classification, making it especially valuable when full annotation is costly. | 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. |
| ScholarGateНабір даних ↗ |
|
|