Самоконтролиран NMF топик модел
Самоконтролираният NMF топик модел (Self-supervised NMF Topic Model) разширява класическата не-отрицателна матрична факторизация (Non-negative Matrix Factorization – NMF) за откриване на топици чрез включване на самоконтролирани обучителни сигнали – като реконструкция на маскирани думи или контрастивни цели – в NMF оптимизацията, което води до по-кохерентни и семантично смислени топици от текстови корпуси, без да изисква данни, етикетирани от човек.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Shi, T., Guo, X., Lv, J., & Yu, P. S. (2022). Self-supervised NMF-based graph contrastive learning for semi-supervised node classification. In Proceedings of the 36th AAAI Conference on Artificial Intelligence. link ↗
- 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 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Self-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/bg/deep-learning/self-supervised-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.
- Латентна разпределение на Дирихле (LDA)Машинно обучение↔ compare
- Неотрицателна матрична факторизация (NMF)Машинно обучение↔ compare
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →