Semi-supervised NMF Topic Model
Das semi-supervised Non-negative Matrix Factorization (NMF) Topic Model erweitert das unüberwachte NMF durch die Einbeziehung vom Benutzer bereitgestellter Seed-Wörter oder Label-Beschränkungen, um entdeckte Themen in Richtung domänenspezifischer Themen zu lenken. Es faktorisiert eine Dokument-Term-Matrix in interpretierbare nicht-negative Komponenten, während lexikalische A-priori-Informationen berücksichtigt werden, was auch aus bescheidenen Korpora kohärente, anwendungsbezogene Themen liefert.
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. (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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Semi-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/de/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-ThemenmodellDeep Learning↔ compare
- NMF-ThemenmodellDeep Learning↔ compare
- Semi-supervised LDA Topic ModelDeep Learning↔ compare
- Semisupervidierter TransformerDeep Learning↔ compare
- Sentence EmbeddingsDeep Learning↔ compare
- ThemenmodellierungDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →