NMF Emne-model
Non-negative Matrix Factorization (NMF) er en uovervåget matrix-dekomponeringsmetode, der opdager latente emner i et tekstkorpus ved at faktorisere en dokument-term matrix i to ikke-negative matricer – én der koder emne-ord vægte, den anden dokument-emne vægte. Ikke-negativitetsbegrænsningen giver dele-baserede, additive repræsentationer, der har tendens til at producere rene, fortolkelige emner.
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.
+9 more
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 ↗
- Lee, D. D., & Seung, H. S. (2001). Algorithms for non-negative matrix factorization. In Advances in Neural Information Processing Systems (NIPS), 13, 556–562. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/da/deep-learning/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.
- BERT-baseret klassifikationDyb læring↔ compare
- LDA Emne-modelDyb læring↔ compare
- SætningsindlejringerDyb læring↔ compare
- Emne-modelleringDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →