Доопрацьоване тематичне моделювання
Доопрацьоване тематичне моделювання адаптує попередньо навчені мовні моделі — такі як BERT або Sentence-BERT — для виявлення прихованих тем у колекціях документів. На відміну від класичних імовірнісних методів (LDA, NMF), воно використовує багаті контекстуальні вбудовування та опціонально доопрацьовує базову модель на корпусах, специфічних для домену, створюючи більш зв'язні та семантично значущі теми, особливо для коротких текстів або спеціалізованих доменів.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Карта методів
Околиця споріднених методів — виберіть вузол, щоб дослідити.
Джерела
- Bianchi, F., Terragni, S., Hovy, D., Nozza, D., & Fersini, E. (2021). Cross-lingual Contextualized Topic Models with Zero-shot Learning. Proceedings of the 16th Conference of the European Chapter of the Association for Computational Linguistics, 1676–1683. DOI: 10.18653/v1/2021.eacl-main.143 ↗
- Grootendorst, M. (2022). BERTopic: Neural topic modeling with a class-based TF-IDF procedure. arXiv preprint arXiv:2203.05794. link ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Fine-Tuned Neural Topic Modeling with Pre-trained Language Models. ScholarGate. https://scholargate.app/uk/deep-learning/fine-tuned-topic-modeling
Який метод?
Поставте цей метод поруч із його найближчими спорідненими й читайте їх пліч-о-пліч — бібліотека викладає книги на стіл; вибір за вами.
- Класифікація на основі BERTГлибоке навчання↔ порівняти
- Класифікація на основі доналаштованого BERTГлибоке навчання↔ порівняти
- Тематична модель LDAГлибоке навчання↔ порівняти
- Тема моделі NMFГлибоке навчання↔ порівняти
- Векторні представлення реченьГлибоке навчання↔ порівняти
- Тематичне моделюванняГлибоке навчання↔ порівняти
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →