Model Self-supervised NMF Topic Model
Model Self-supervised NMF Topic Model rozšiřuje klasickou faktorizaci matic Non-negative Matrix Factorization (NMF) pro objevování témat začleněním samo-dohledových učících signálů — jako je rekonstrukce maskovaných slov nebo kontrastivní cíle — do optimalizace NMF, což z korpusů textů získává koherentnější a sémanticky smysluplnější témata bez nutnosti jakýchkoli dat označených lidmi.
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
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Self-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/cs/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)Strojové učení↔ compare
- Nezáporná maticová faktorizace (NMF)Strojové učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →