Трансферно обучение с NMF тематичен модел
Трансферно обучение с NMF тематичен модел прилага знания от маркиран или богат на данни източник към подобряване на откриването на теми чрез Неотрицателна матрична факторизация (NMF) в целеви домейн с ограничени ресурси. Чрез инициализиране или ограничаване на базисната матрица на NMF с теми от източника, моделът открива кохерентни целеви теми, дори когато документите в целевия домейн са оскъдни или немаркирани.
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
- Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359. DOI: 10.1109/TKDE.2009.191 ↗
- 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). Transfer Learning with Non-Negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/bg/deep-learning/transfer-learning-with-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.
- Домейн-адаптивен модел на теми на NMFДълбоко обучение↔ compare
- Тематичен модел с ЛДАДълбоко обучение↔ compare
- Тематичен модел с НМФДълбоко обучение↔ compare
- Тематично моделиранеДълбоко обучение↔ compare
- Трансферно обучение с LDA тематичен моделДълбоко обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →