NMF-i teemamodelleerimine
NMF-i teemamodelleerimine kasutab mitte-negatiivset maatriksite lahutamist (Non-negative Matrix Factorization) – osadel põhinevat dekompositsiooni, mille tutvustasid Lee ja Seung (1999) – et eraldada korpusest dokumendi-teema jaotused. Lahutades dokumendi-termini maatriksi kaheks mitte-negatiivseks maatriksiks, taastab see väikese hulga teemasid ja kipub tootma interpreteeritavamaid teemasid kui LDA.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 1). Topic Modeling with Non-negative Matrix Factorization. ScholarGate. https://scholargate.app/et/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-i manusedTekstikaeve↔ compare
- BERTopicTekstikaeve↔ compare
- Dokumentide klasterdamineTekstikaeve↔ compare
- TF-IDFTekstikaeve↔ compare
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →