למידה לא מבוססת היא סוג של למידת מכונה המנתחת נתונים ללא תגובות מתוייגות.זה שימושי במיוחד עבור נתוני טקסט, שבו תוויות לא יכול להיות זמין או יקר להשיג. מאמר זה חוקר טכניקות נפוצות ויישומים מעשיים של למידה לא מבוקרת בעיבוד נתוני טקסט.

טכניקות ב- Unsupervised Text Learning

טכניקות רבות משמשות כדי לחלץ מידע משמעותי מנתוני טקסט ללא פיקוח.קבוצות קלוסטרינג דומות מסמכים או מילים, בעוד ירידה ממדית מפשטת נתונים על-ידי ממדים גבוהים לצורות ניתנות לניהול.

טכניקות נפוצות

  • (ב) ⁇ :0K-Means Clustering:03FLT:1) חלוקת נתונים טקסט לתוך אשכולות המבוססים על דמיון תכונה.
  • (ב) ⁇ (הופנה מהדף דיריץ' אללוק (LDA): איור 1:1) מגלה נושאים על ידי מודל של הפצת מילים על פני מסמכים.
  • (FLT:0)Principal Component Analysis (PCAOVA): FLT:1 מצמצם את מימדי החלל המאפיין עבור הדמיה וניתוח.
  • (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

דוגמאות

טכניקות למידה לא מבוססות מוחלות בתחומים שונים.בתיעוד, הם מארגנים אוספים גדולים עבור רטיוול קל יותר.סוב מודלing עוזר לזהות נושאים נפוצים במדיה החברתית או מאמרים חדשות. Word הטמעתings משפר את מנועי החיפוש על ידי הבנת קווי דמיון סימניים. שיטות אלה לשפר את יעילות ניתוח הנתונים ומיצוי תובנה מהנתונים שאינם מקודמים.