Domänenadaptives NMF-Themenmodell
Domänenadaptives NMF-Themenmodell wendet die nicht-negative Matrixfaktorisierung (NMF) an, um latente Themen in Texten aus mehreren Domänen zu entdecken. Dabei werden Regularisierung oder gemeinsame Basiseinschränkungen genutzt, um Themenwissen von einer ressourcenreichen Quelldomäne auf eine Zieldomäne mit begrenzten beschrifteten Daten zu übertragen. Es kombiniert interpretierbare, teilebasierte Zerlegung mit Zielen der Domänenadaption, um Themen zu erzeugen, die sowohl domänenspezifisch als auch domänenübergreifend konsistent sind.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Domain-Adaptive Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/de/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-ThemenmodellDeep Learning↔ compare
- NMF-ThemenmodellDeep Learning↔ compare
- ThemenmodellierungDeep Learning↔ compare
- Transfer Learning mit NMF-ThemenmodellDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →