Model de Tòpics NMF Auto-supervisat
El Model de Tòpics NMF Auto-supervisat estén la Factorització de Matriu No-negativa (NMF) clàssica per al descobriment de tòpics incorporant senyals d'aprenentatge auto-supervisat — com ara la reconstrucció de paraules emmascarades o objectius contrastius — en l'optimització de la NMF, produint tòpics més coherents i semànticament significatius a partir de corpus de text sense requerir cap dada etiquetada per humans.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Self-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/ca/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.
- Latent Dirichlet Allocation (LDA)Aprenentatge automàtic↔ compare
- Factorització de Matrius No negatives (NMF)Aprenentatge automàtic↔ compare
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →