Modelo de Tópicos NMF Semi-supervisado
El Modelo de Tópicos NMF Semi-supervisado extiende el NMF no supervisado incorporando palabras semilla o restricciones de etiquetas proporcionadas por el usuario para dirigir los tópicos descubiertos hacia temas relevantes para el dominio. Factoriza una matriz documento-término en componentes no negativos interpretables, respetando al mismo tiempo los prioris léxicos, lo que produce tópicos coherentes y alineados con la aplicación, incluso a partir de corpus modestos.
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
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Semi-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/es/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.
- Modelo de Tópicos LDAAprendizaje profundo↔ compare
- Modelo de Tópicos NMFAprendizaje profundo↔ compare
- Modelo de Tópicos LDA Semi-supervisadoAprendizaje profundo↔ compare
- Transformer semi-supervisadoAprendizaje 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 →