La méthode de modélisation thématique CFMf basée sur le clustering neuronal avec maximisation des traits: Comparaison avec LDA sur des études scientifiques.

Larimel, J.C; Lareau, F et Malaterre, C (2023). « La méthode de modélisation thématique CFMf basée sur le clustering neuronal avec maximisation des traits: Comparaison avec LDA sur des études scientifiques. ». Rencontres de la Société Francophone de Classification, pp. 67-72.

Fichier(s) associé(s) à ce document :

Prévisualisation	PDF Télécharger (2MB)

Résumé

The improvement of topic modeling methods remains a major concern for unsupervised analysis of textual data. We propose here a topic modeling approach based on neural clustering and feature maximization. We compare its performance to that of LDA by applying both methods to a large reference corpus of full-text philosophy of science articles. The results show very significant improvements in key quantitative performance measures such as coherence, as well as qualitative results.

Type:	Article de revue scientifique
Mots-clés ou Sujets:	Topic modeling, unsupervised learning, LDA, clustering, feature maximization.
Unité d'appartenance:	Faculté des sciences humaines > Département de philosophie
Déposé par:	Christophe Malaterre
Date de dépôt:	17 avr. 2026 08:04
Dernière modification:	17 avr. 2026 08:04
Adresse URL :	https://archipel.uqam.ca/secure/id/eprint/19699

Modifier les métadonnées (propriétaire du document)

Statistiques