Тематично моделиране с NMF
Тематичното моделиране с NMF използва Неотрицателна матрична факторизация — разлагането на съставни части, въведено от Lee и Seung (1999) — за извличане на разпределения на документи-теми от корпус. Чрез факторизиране на матрица от документи и термини в две неотрицателни матрици, то възстановява малък набор от теми и има тенденция да произвежда по-интерпретируеми теми от LDA.
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. (1999). Learning the Parts of Objects by Non-negative Matrix Factorization. Nature, 401, 788-791. DOI: 10.1038/44565 ↗
- Arora, S., Ge, R., Halpern, Y., Mimno, D., Moitra, A., Sontag, D., Wu, Y. & Zhu, M. (2013). A Practical Algorithm for Topic Modeling with Provable Guarantees. Proceedings of the 30th International Conference on Machine Learning (ICML), 280-288. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 1). Topic Modeling with Non-negative Matrix Factorization. ScholarGate. https://scholargate.app/bg/text-mining/topic-modeling-nmf
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.
- BERT EmbeddingsИзвличане на текст↔ compare
- BERTopicИзвличане на текст↔ compare
- Клъстеризация на документиИзвличане на текст↔ compare
- TF-IDFИзвличане на текст↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →