Doménově adaptivní NMF topic modelování
Doménově adaptivní NMF topic modelování aplikuje nezápornou maticovou faktorizaci (NMF) k objevování latentních témat napříč texty z více domén, přičemž využívá regularizaci nebo sdílená bázová omezení k přenosu znalostí o tématech z bohatého zdrojového doménového korpusu do cílové domény s omezenými anotovanými daty. Kombinuje interpretovatelný rozklad založený na částech s cíli doménové adaptace, aby vytvořil témata, která jsou jak doménově specifická, tak mezidoménově konzistentní.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
- Non-negative matrix factorization. Wikipedia. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Domain-Adaptive Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/cs/deep-learning/domain-adaptive-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 témat LDAHluboké učení↔ compare
- Model témat NMFHluboké učení↔ compare
- Modelování tématHluboké učení↔ compare
- Přenosové učení s NMF topic modelHluboké učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →