Algoritma pemodelan topik (LDA, NMF, PLSA)

Algoritma Pemodelan Topik (LDA, NMF, PLSA) ialah satu set algoritma yang membenarkan pengecaman automatik topik yang terkandung dalam dokumen. Pemodelan topik ialah alat yang berkuasa untuk mencari topik utama atau kelompok topik dalam koleksi dokumen yang besar, seperti korpora besar.

Peruntukan Dirichlet Terpendam (LDA) ialah model statistik generatif yang digunakan untuk mendedahkan topik dalam korpus atau dokumen. Ia berdasarkan pendekatan generatif kemungkinan, yang menganggap topik sebagai pembolehubah terpendam. Memandangkan korpus dokumen, LDA menyimpulkan kehadiran topik yang menerangkan korpus. Cara topik boleh dijana menggunakan LDA adalah dengan memberikan input korpus kepada model dan mengekstrak topik yang berkaitan.

Pemfaktoran Matriks Bukan Negatif (NMF) ialah pendekatan yang berkuasa untuk mendedahkan topik asas dalam koleksi dokumen. NMF adalah berdasarkan andaian bahawa terdapat komponen yang berbeza dalam setiap dokumen dan komponen ini mewakili pelbagai topik. NMF juga mempunyai keupayaan untuk mengekstrak topik daripada korpora yang sangat besar dengan cekap.

Analisis Semantik Terpendam Probabilistik (PLSA) ialah algoritma pembelajaran tanpa pengawasan yang digunakan untuk pemodelan topik daripada dokumen teks. Ia berdasarkan andaian bahawa setiap dokumen mengandungi beberapa topik dan istilah yang dihasilkan daripada dokumen itu akan menyumbang kepada satu atau lebih daripada topik tersebut. PLSA ialah Model Pembolehubah Terpendam Statistik dan menganggarkan taburan kebarangkalian untuk topik dan istilah.

Algoritma pemodelan topik seperti LDA, NMF dan PLSA ialah alat yang berkuasa untuk mendedahkan topik terpendam dalam koleksi dokumen. Topik yang dijana menggunakan algoritma ini boleh digunakan untuk mengenal pasti topik utama dalam korporat besar, mengelaskan dokumen dan menganalisis kelompok teks. Algoritma pemodelan topik juga telah digunakan untuk pelbagai tugas lain seperti ringkasan teks dan analisis sentimen.