Ημι-επιβλεπόμενο Μοντέλο Θέματος NMF
Το Ημι-επιβλεπόμενο Μοντέλο Θέματος Μη-Αρνητικής Παραγοντοποίησης Μήτρας (NMF) επεκτείνει το μη-επιβλεπόμενο NMF ενσωματώνοντας παρεχόμενες από τον χρήστη λέξεις-σπόρους ή περιορισμούς ετικετών για να κατευθύνει τα ανακαλυφθέντα θέματα προς θεματικά σχετικά με τον τομέα. Παραγοντοποιεί μια μήτρα εγγράφων-όρων σε ερμηνεύσιμα μη-αρνητικά στοιχεία, σεβόμενο παράλληλα λεξικές προτεραιότητες, αποδίδοντας συνεκτικά, ευθυγραμμισμένα με την εφαρμογή θέματα ακόμη και από μέτρια σώματα κειμένων.
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
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Semi-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/el/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.
- Μοντέλο Θεματικής Ενότητας LDAΒαθιά Μάθηση↔ compare
- Μοντέλο Θεμάτων NMFΒαθιά Μάθηση↔ compare
- Ημι-επιβλεπόμενο Μοντέλο Θεμάτων LDAΒαθιά Μάθηση↔ compare
- Ημι-επιβλεπόμενος ΜετασχηματιστήςΒαθιά Μάθηση↔ compare
- Ενσωματώσεις ΠροτάσεωνΒαθιά Μάθηση↔ compare
- Μοντελοποίηση ΘεμάτωνΒαθιά Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →