Model de Tòpics NMF Semi-supervisat
El Model de Tòpics NMF (Factorització de Matrius No-negativa) Semi-supervisat estén l'NMF no supervisat incorporant paraules clau o restriccions d'etiquetes proporcionades per l'usuari per dirigir els tòpics descoberts cap a temes rellevants del domini. Factoritza una matriu document-term en components no-negatius interpretable mentre respecta priors lèxics, produint tòpics coherents i alineats amb l'aplicació fins i tot a partir de corpus modestos.
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
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Semi-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/ca/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.
- Model de temes LDAAprenentatge profund↔ compare
- Model de tema NMFAprenentatge profund↔ compare
- Model de Tòpics LDA Semi-SupervisatAprenentatge profund↔ compare
- Transformer semi-supervisatAprenentatge profund↔ compare
- Sentence EmbeddingsAprenentatge profund↔ compare
- Modelatge de temesAprenentatge profund↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →