Тематичен модел с НМФ
Неотрицателната матрична факторизация (НМФ) е метод за ненаблюдавано матрично разлагане, който открива скрити теми в текстов корпус чрез факторизиране на матрица „документ-термин“ на две неотрицателни матрици — едната кодира теглото на думите в темите, а другата — теглото на документите в темите. Ограничението за неотрицателност води до базирани на части, адитивни представяния, които обикновено произвеждат чисти, интерпретируеми теми.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
+9 more
Източници
- Lee, D. D., & Seung, H. S. (1999). Learning the parts of objects by non-negative matrix factorization. Nature, 401(6755), 788–791. DOI: 10.1038/44565 ↗
- Lee, D. D., & Seung, H. S. (2001). Algorithms for non-negative matrix factorization. In Advances in Neural Information Processing Systems (NIPS), 13, 556–562. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/bg/deep-learning/nmf-topic-model
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Класификация, базирана на BERTДълбоко обучение↔ compare
- Тематичен модел с ЛДАДълбоко обучение↔ compare
- Вграждане на изреченияДълбоко обучение↔ compare
- Тематично моделиранеДълбоко обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →