Modelització de temes NMF
La modelització de temes NMF utilitza la Factorització de Matrius No Negatives (NMF) —la descomposició basada en parts introduïda per Lee i Seung (1999)— per extreure distribucions document-tema d'un corpus. En factoritzar una matriu document-terme en dues matrius no negatives, recupera un petit conjunt de temes i tendeix a produir temes més interpretables que LDA.
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. (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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 1). Topic Modeling with Non-negative Matrix Factorization. ScholarGate. https://scholargate.app/ca/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 EmbeddingsMineria de text↔ compare
- BERTopicMineria de text↔ compare
- Agrupació de documentsMineria de text↔ compare
- TF-IDFMineria de text↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →