Modelo de Tópicos NMF
La Factorización de Matrices No Negativas (NMF, por sus siglas en inglés) es un método de descomposición matricial no supervisado que descubre tópicos latentes en un corpus de texto al factorizar una matriz documento-término en dos matrices no negativas: una que codifica los pesos de tópicos-palabras y otra los pesos de documentos-tópicos. La restricción de no negatividad produce representaciones aditivas y basadas en partes que tienden a generar tópicos limpios e interpretables.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
+9 more
Fuentes
- 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 ↗
- Lee, D. D., & Seung, H. S. (2001). Algorithms for non-negative matrix factorization. In Advances in Neural Information Processing Systems (NIPS), 13, 556–562. link ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/es/deep-learning/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.
- Clasificación basada en BERTAprendizaje profundo↔ compare
- Modelo de Tópicos LDAAprendizaje profundo↔ compare
- Incrutaciones de oracionesAprendizaje profundo↔ compare
- Modelado de TemasAprendizaje profundo↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →