Μοντέλο Θέματος NMF Αυτο-εποπτευόμενης Μάθησης
Το Μοντέλο Θέματος NMF Αυτο-εποπτευόμενης Μάθησης επεκτείνει την κλασική Μη-αρνητική Παραγοντοποίηση Μήτρας (Non-negative Matrix Factorization - NMF) για την ανακάλυψη θεμάτων, ενσωματώνοντας σήματα αυτο-εποπτευόμενης μάθησης — όπως ανακατασκευή καλυμμένων λέξεων ή αντιθετικούς στόχους — στη βελτιστοποίηση της NMF, αποδίδοντας πιο συνεκτικά και σημασιολογικά ουσιαστικά θέματα από σώματα κειμένων χωρίς να απαιτείται ανθρώπινη επισήμανση δεδομένων.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- Shi, T., Guo, X., Lv, J., & Yu, P. S. (2022). Self-supervised NMF-based graph contrastive learning for semi-supervised node classification. In Proceedings of the 36th AAAI Conference on Artificial Intelligence. link ↗
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Self-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/el/deep-learning/self-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.
- Εκχώρηση Δεσμευμένων Dirichlet (LDA)Μηχανική Μάθηση↔ compare
- Μη-αρνητική Παραγοντοποίηση Μήτρας (NMF)Μηχανική Μάθηση↔ compare
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →