Modelado de temas NMF
El modelado de temas NMF utiliza la Factorización de Matrices No Negativas (NMF, por sus siglas en inglés) —la descomposición basada en partes introducida por Lee y Seung (1999)— para extraer distribuciones documento-tema de un corpus. Al factorizar una matriz documento-término en dos matrices no negativas, recupera un pequeño conjunto de temas y tiende a producir temas más interpretables que LDA.
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. (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 ↗
Cómo citar esta página
ScholarGate. (2026, June 1). Topic Modeling with Non-negative Matrix Factorization. ScholarGate. https://scholargate.app/es/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.
- BERT EmbeddingsMinería de texto↔ compare
- BERTopicMinería de texto↔ compare
- Agrupación de documentosMinería de texto↔ compare
- TF-IDFMinería de texto↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →