Modelo de Tópicos NMF Auto-supervisado
El Modelo de Tópicos NMF Auto-supervisado extiende la Factorización de Matrices No Negativas (NMF) clásica para el descubrimiento de tópicos al incorporar señales de aprendizaje auto-supervisado —como la reconstrucción de palabras enmascaradas u objetivos contrastivos— en la optimización de NMF, lo que produce tópicos más coherentes y semánticamente significativos a partir de corpus de texto sin requerir datos etiquetados por humanos.
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.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Self-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/es/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.
- Asignación Latente de Dirichlet (LDA)Aprendizaje automático↔ compare
- Factorización de Matrices No Negativas (NMF)Aprendizaje automático↔ compare
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →