Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "latent dirichlet allocation" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-3 z 3
    Tytuł:
    How does Manufacturing Strategy Impact the Goals of a Firm? A Relational Framework Characterizing the Related Business Models’ Components
    Autorzy:
    Boffa, Eleonora
    Maffei, Antonio
    Powiązania:
    https://bibliotekanauki.pl/articles/24200502.pdf
    Data publikacji:
    2023
    Wydawca:
    Polska Akademia Nauk. Czasopisma i Monografie PAN
    Tematy:
    business models
    manufacturing model
    scientometric analysis
    topic modelling
    latent dirichlet allocation
    Opis:
    The fourth industrial revolution has resulted in technology advancements in the manufacturing industry. However, the innovation potential embedded in these technologies should be unlocked by a viable application, i.e., the business model (BM). The BM as a holistic concept featuring different interacting elements is thus emerging as a promising vehicle for innovation. Current BM research describes the entire domain but lacks depth in the characterization of its individual components. This paper investigates the available manufacturing literature through the lens of the BM concept performing a scientometric analysis. The results are presented in a relational framework that provides an in-depth characterization of the manufacturing element of the BM and highlights identified connections that link the BM components. This is the basis for tools that will support firms in developing manufacturing portfolios aligned with their strategic goals.
    Źródło:
    Management and Production Engineering Review; 2023, 14, 2; 18--36
    2080-8208
    2082-1344
    Pojawia się w:
    Management and Production Engineering Review
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Epistemological aspect of topic modelling in the social sciences: Latent Dirichlet Allocation
    Autorzy:
    Baranowski, Mariusz
    Powiązania:
    https://bibliotekanauki.pl/articles/2105390.pdf
    Data publikacji:
    2022-08-21
    Wydawca:
    Uniwersytet im. Adama Mickiewicza w Poznaniu
    Tematy:
    Latent Dirichlet Allocation (LDA)
    topic modelling
    social sciences
    social welfare
    automated text analysis
    Opis:
    Aware of the challenges faced by the social sciences in publishing a massive volume of research papers, it is worth looking at a novel but no longer so new ways of machine learning for the purposes of literature review. To this end, I explore a probabilistic topic model called Latent Dirichlet Allocation (LDA) in the context of the epistemological challenge of analysing texts on social welfare. This paper aims to describe how the LDA algorithm works for large corpora of data, along with its advantages and disadvantages. This preliminary characterisation of an inductive method for automated text analysis is intended to give a brief overview of how LDA can be used in the social sciences.
    Źródło:
    Przegląd Krytyczny; 2022, 4, 1; 7-16
    2657-8964
    Pojawia się w:
    Przegląd Krytyczny
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Impact of n-stage latent Dirichlet allocation on analysis of headline classification
    Autorzy:
    Guven, Zekeriya Anil
    Diri, Banu
    Cakaloglu, Tolgahan
    Powiązania:
    https://bibliotekanauki.pl/articles/27312901.pdf
    Data publikacji:
    2022
    Wydawca:
    Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
    Tematy:
    topic modeling
    headline classification
    machine learning
    text classification
    latent Dirichlet allocation
    data analysis
    Opis:
    Data analysis becomes difficult when the amount of the data increases. More specifically, extracting meaningful insights from this vast amount of data and grouping it based on its shared features without human intervention requires advanced methodologies. There are topic-modeling methods that help overcome this problem in text analyses for downstream tasks (such as sentiment analysis, spam detection, and news classification). In this research, we benchmark several classifiers (namely, random forest, AdaBoost, naive Bayes, and logistic regression) using the classical latent Dirichlet allocation (LDA) and n-stage LDA topic-modeling methods for feature extraction in headline classification. We ran our experiments on three and five classes of publicly available Turkish and English datasets. We have demonstrated that, as a feature extractor, n-stage LDA obtains state-of-the-art performance for any downstream classifier. It should also be noted that random forest was the most successful algorithm for both datasets.
    Źródło:
    Computer Science; 2022, 23 (3); 375--394
    1508-2806
    2300-7036
    Pojawia się w:
    Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-3 z 3

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies