Poloučený tématický model NMF
Poloautomatický model NMF (Non-negative Matrix Factorization) rozšiřuje neřízené NMF o začlenění uživatelem poskytnutých klíčových slov nebo omezení pomocí popisků, které řídí objevená témata směrem k doménově relevantním motivům. Faktorizuje matici dokumentů a slov na interpretovatelné nezáporné komponenty při respektování lexikálních apriorních informací, čímž poskytuje koherentní témata sladěná s aplikací i z malých korpusů.
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. (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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Semi-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/cs/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 témat LDAHluboké učení↔ compare
- Model témat NMFHluboké učení↔ compare
- Poloučený model témat LDAHluboké učení↔ compare
- Semi-supervised TransformerHluboké učení↔ compare
- Vektorové reprezentace větHluboké učení↔ compare
- Modelování tématHluboké učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →