Самокерований тематичний модель Latent Dirichlet Allocation (LDA)
Самокерований LDA поєднує ймовірнісну генеративну модель Latent Dirichlet Allocation із сигналами попереднього навчання на основі самокерованості — такими як передбачення маскованого слова або контрастивні цілі документа — для керування виявленням тем без потреби в ручному маркуванні навчальних даних. Результатом є тематичні представлення, які одночасно ґрунтуються на статистиці розподілу та збагачені мовною структурою, вивченою з необробленого тексту.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993–1022. link ↗
- Meng, Y., Huang, J., Zhang, Y., & Han, J. (2022). Topic Discovery via Latent Space Clustering of Pretrained Language Model Representations. Proceedings of WWW 2022, ACM. DOI: 10.1145/3485447.3512034 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Self-supervised Latent Dirichlet Allocation Topic Model. ScholarGate. https://scholargate.app/uk/deep-learning/self-supervised-lda-topic-model
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.
- Класифікація на основі BERTГлибоке навчання↔ compare
- Тематична модель LDAГлибоке навчання↔ compare
- Тема моделі NMFГлибоке навчання↔ compare
- Напівкерована модель тем LDAГлибоке навчання↔ compare
- Векторні представлення реченьГлибоке навчання↔ compare
- Тематичне моделюванняГлибоке навчання↔ compare
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →