NMF-Themenmodell
Nicht-negative Matrixfaktorisierung (NMF) ist eine unüberwachte Matrixzerlegungsmethode, die latente Themen in einem Textkorpus entdeckt, indem sie eine Dokument-Term-Matrix in zwei nicht-negative Matrizen zerlegt – eine, die Themen-Wort-Gewichte kodiert, und die andere Dokument-Themen-Gewichte. Die Nicht-Negativitätsbedingung liefert teilebasierte, additive Darstellungen, die tendenziell saubere, interpretierbare Themen erzeugen.
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.
+9 more
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 ↗
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/de/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-basierte KlassifikationDeep Learning↔ compare
- LDA-ThemenmodellDeep Learning↔ compare
- Sentence EmbeddingsDeep Learning↔ compare
- ThemenmodellierungDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →