NMF-Themenmodellierung
Die NMF-Themenmodellierung nutzt die Non-negative Matrix Factorization – die von Lee und Seung (1999) eingeführte zerlegungsbasierte Methode – zur Extraktion von Dokument-Themen-Verteilungen aus einem Korpus. Durch die Faktorisierung einer Dokument-Term-Matrix in zwei nicht-negative Matrizen werden wenige Themen extrahiert und tendenziell interpretierbarere Themen als bei LDA erzeugt.
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, 788-791. DOI: 10.1038/44565 ↗
- Arora, S., Ge, R., Halpern, Y., Mimno, D., Moitra, A., Sontag, D., Wu, Y. & Zhu, M. (2013). A Practical Algorithm for Topic Modeling with Provable Guarantees. Proceedings of the 30th International Conference on Machine Learning (ICML), 280-288. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 1). Topic Modeling with Non-negative Matrix Factorization. ScholarGate. https://scholargate.app/de/text-mining/topic-modeling-nmf
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-EinbettungenText Mining↔ compare
- BERTopicText Mining↔ compare
- Dokumenten-ClusteringText Mining↔ compare
- TF-IDFText Mining↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →