Μοντελοποίηση θεμάτων με NMF
Η μοντελοποίηση θεμάτων με NMF (Non-negative Matrix Factorization - Μη-Αρνητική Παραγοντοποίηση Πινάκων) χρησιμοποιεί την παραγοντοποίηση μη-αρνητικών πινάκων — την αποσύνθεση βάσει μερών που εισήγαγαν οι Lee και Seung (1999) — για την εξαγωγή κατανομών εγγράφου-θέματος από ένα σώμα κειμένων (corpus). Παραγοντοποιώντας έναν πίνακα εγγράφων-όρων σε δύο μη-αρνητικούς πίνακες, ανακτά ένα μικρό σύνολο θεμάτων και τείνει να παράγει πιο ερμηνεύσιμα θέματα από το LDA.
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. (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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 1). Topic Modeling with Non-negative Matrix Factorization. ScholarGate. https://scholargate.app/el/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.
- Ενσωματώσεις BERTΕξόρυξη Κειμένου↔ compare
- BERTopicΕξόρυξη Κειμένου↔ compare
- Ομαδοποίηση ΕγγράφωνΕξόρυξη Κειμένου↔ compare
- TF-IDFΕξόρυξη Κειμένου↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →