Self-supervised NMF Topic Model
The Self-supervised NMF Topic Model extends classical Non-negative Matrix Factorization for topic discovery by incorporating self-supervised learning signals — such as masked-word reconstruction or contrastive objectives — into the NMF optimization, yielding more coherent and semantically meaningful topics from text corpora without requiring any human-labeled data.
Εγγραφή πηγής
Οι παραπομπές αντιγράφονται αυτούσιες από την εγγραφή πηγής της μεθόδου. Δεν υπονοείται επαλήθευση σε επίπεδο ισχυρισμού από αυτές.
- 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. · URL
- 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
Επιμελημένοι ισχυρισμοί
Οι ισχυρισμοί έχουν αποθηκευτεί στο καθολικό τεκμηρίων, καθένας με τη δική του αξιολόγηση.
Αυτή η προβολή δεν επινοεί αξιολόγηση ισχυρισμού όταν το καθολικό δεν έχει κανέναν.
Σχετικές μέθοδοι
Δημιουργούνται από τον γράφο μεθόδων και εμφανίζονται ως προτεινόμενες από μηχανή σχέσεις — δεν υπονοείται ισχυρισμός τεκμηρίου.