EUVIMEDEUVIMED entdecken
Open Access · CC BY-NC-ND 4.0

Thematic Structuring for LLM Fine-Tuning via Synthetic Instruction Generation: A Comparison of BERTopic and Hierarchical Leiden

Ülke Balcı Yeşilkaya, İlker Yeşilkaya

Procedia Computer Science · 2026 · 292 · 1643-1651

DOI: 10.1016/j.procs.2026.09.240 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Procedia Computer Science, 2026. Verfasst von Ülke Balcı Yeşilkaya und 1 weiteren Autor:innen. Die Arbeit nennt 34 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY-NC-ND 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Kein Abstract verfügbar.

Zitieren

APA

Yeşilkaya, Ü. B., & Yeşilkaya, İ. (2026). Thematic Structuring for LLM Fine-Tuning via Synthetic Instruction Generation: A Comparison of BERTopic and Hierarchical Leiden. Procedia Computer Science, 292, 1643-1651. https://doi.org/10.1016/j.procs.2026.09.240

Vancouver

Yeşilkaya ÜB, Yeşilkaya İ. Thematic Structuring for LLM Fine-Tuning via Synthetic Instruction Generation: A Comparison of BERTopic and Hierarchical Leiden. Procedia Computer Science. 2026;292:1643-1651. doi:10.1016/j.procs.2026.09.240

BibTeX
@article{Yeilkaya2026,
  author = {Yeşilkaya, Ülke Balcı and Yeşilkaya, İlker},
  title = {Thematic Structuring for LLM Fine-Tuning via Synthetic Instruction Generation: A Comparison of BERTopic and Hierarchical Leiden},
  journal = {Procedia Computer Science},
  year = {2026},
  volume = {292},
  pages = {1643--1651},
  doi = {10.1016/j.procs.2026.09.240}
}
Kostenlos starten →