Español 
English 
Русский 
简体中文 
Português do Brasil 
Français 
Türkçe 
Polski 
Tiếng Việt 
한국어 
Nederlands 
Italiano 
日本語 
Eesti 
Čeština 
മലയാളം 
Bahasa Melayu 
हिन्दी 
اردو 
Bahasa Indonesia 
Web seguraLos algoritmos de modelización de temas (LDA, NMF, PLSA) son un conjunto de algoritmos que permiten identificar automáticamente los temas contenidos en un documento. El modelado de temas es una potente herramienta para encontrar temas clave o agrupaciones de temas en grandes colecciones de documentos, como los grandes corpus.
Latent Dirichlet Allocation (LDA) es un modelo estadístico generativo que se utiliza para descubrir los temas de un corpus o un documento. Se basa en un enfoque generativo probabilístico que asume los temas como variables latentes. Dado un corpus de documentos, LDA infiere la presencia de temas que explican el corpus. La forma de generar temas con LDA consiste en introducir el corpus en el modelo y extraer los temas relevantes.
La factorización de matrices no negativas (NMF) es un potente método para descubrir los temas subyacentes en las colecciones de documentos. La NMF se basa en el supuesto de que existen componentes distintos en cada documento y que estos componentes representan varios temas. La NMF también puede extraer temas de corpus muy extensos de forma eficaz.
El análisis semántico latente probabilístico (PLSA) es un algoritmo de aprendizaje no supervisado que se utiliza para el modelado de temas a partir de documentos de texto. Se basa en el supuesto de que cada documento contiene varios temas y que un término generado a partir de ese documento contribuirá a uno o más de esos temas. PLSA es un modelo estadístico de variable latente y estima las distribuciones de probabilidad de los temas y los términos.
Los algoritmos de modelado de temas, como LDA, NMF y PLSA, son potentes herramientas para descubrir los temas latentes en una colección de documentos. Los temas generados mediante estos algoritmos pueden utilizarse para identificar temas clave en grandes corpus, clasificar documentos y analizar clusters de texto. Los algoritmos de modelado de temas también se han utilizado para otras muchas tareas, como el resumen de textos y el análisis de sentimientos.
