Eneseteadlik NMF-teemamudel
Eneseteadlik NMF-teemamudel laiendab klassikalist mittenegatiivset maatriksfaktorisatsiooni (NMF) teemade avastamiseks, lisades NMF-i optimeerimisse eneseteadlikud õppimissignaalid – nagu maskitud sõnade rekonstrueerimine või kontrastiivsed eesmärgid – mis annavad tekstikorjustest koherentsed ja semantiliselt sisukamad teemad ilma inimese poolt märgistatud andmeid nõudmata.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Self-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/et/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.
- Latent Dirichlet Allocation (LDA)Masinõpe↔ compare
- Mitte-negatiivne maatriksfaktorisatsioon (NMF)Masinõpe↔ compare
Märkasid sellel lehel viga? Teata sellest või paku parandust →