Порівняння методів
Переглядайте обрані методи поруч; рядки з відмінностями підсвічено.
| Тематичне моделювання× | Word2Vec× | |
|---|---|---|
| Галузь | Інтелектуальний аналіз тексту | Інтелектуальний аналіз тексту |
| Родина | Process / pipeline | Process / pipeline |
| Рік появи≠ | 2003 | 2013 |
| Автор методу≠ | Blei, Ng & Jordan | Tomas Mikolov et al. |
| Тип≠ | Generative probabilistic 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, Konu Modelleme — LDA | word embeddings, skip-gram, continuous bag-of-words, Word2Vec Kelime Gömülmeleri |
| Пов'язані | 4 | 4 |
| Підсумок≠ | Latent Dirichlet Allocation (LDA) is a generative probabilistic model introduced by Blei, Ng and Jordan (2003) that extracts the hidden topic distributions underlying a collection of documents. It treats each document as a mixture of latent topics and each topic as a distribution over words, turning an unlabelled corpus into interpretable themes. | 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 ↗ |
|
|