Domæne-adaptiv NMF emnemodel
Domæne-adaptiv NMF emnemodellering anvender Non-negative Matrix Factorization (NMF) til at opdage latente emner på tværs af tekst fra flere domæner, ved brug af regularisering eller fælles basisbegrænsninger til at overføre emneviden fra et ressourcerigt kildedomæne til et måldomæne med begrænsede mærkede data. Den kombinerer fortolkelig dele-baseret dekomponering med domæne-adaptationsmål for at producere emner, der er både domænespecifikke og på tværs af domæner konsistente.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Domain-Adaptive Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/da/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.
- LDA Emne-modelDyb læring↔ compare
- NMF Emne-modelDyb læring↔ compare
- Emne-modelleringDyb læring↔ compare
- Overførselslæring med NMF emnemodelleringDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →