Semi-supervised NMF Topic Model
Semi-supervised Non-negative Matrix Factorization (NMF) Topic Model udvider uovervåget NMF ved at inkorporere brugerleverede startord eller etiketbegrænsninger for at styre opdagede emner mod domænespecifikke temaer. Den faktoriserer en dokument-ord-matrix til fortolkelige ikke-negative komponenter, samtidig med at den respekterer leksikale forhåndsviden, hvilket giver sammenhængende, applikationsafstemte emner selv fra beskedne korpusser.
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. (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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Semi-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/da/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.
- LDA Emne-modelDyb læring↔ compare
- NMF Emne-modelDyb læring↔ compare
- Semi-supervised LDA Topic ModelDyb læring↔ compare
- Semi-superviseret TransformerDyb 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 →