Полуавтоматичен тематичен модел с Неотрицателна Матрична Факторизация (NMF)
Полуавтоматичният тематичен модел с Неотрицателна Матрична Факторизация (NMF) разширява неконтролираната NMF чрез включване на предоставени от потребителя ключови думи или етикетни ограничения за насочване на откритите теми към тематични области, специфични за дадена област. Той факторизира матрица от документи и термини в интерпретируеми неотрицателни компоненти, като същевременно спазва лексикални априорни знания, което води до кохерентни, съобразени с приложението теми дори от скромни корпуси.
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
- Lee, D. D., & Seung, H. S. (2001). Algorithms for non-negative matrix factorization. Advances in Neural Information Processing Systems, 13, 556–562. link ↗
- Jagarlamudi, J., Daume, H., & Udupa, R. (2012). Incorporating lexical priors into topic models. Proceedings of the 13th Conference of the European Chapter of the Association for Computational Linguistics (EACL 2012), 204–213. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Semi-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/bg/deep-learning/semi-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.
- Тематичен модел с ЛДАДълбоко обучение↔ compare
- Тематичен модел с НМФДълбоко обучение↔ compare
- Полу-контролиран LDA модел на темиДълбоко обучение↔ compare
- Трансформер с полунаблюдавано обучениеДълбоко обучение↔ compare
- Вграждане на изреченияДълбоко обучение↔ compare
- Тематично моделиранеДълбоко обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →