ScholarGate
دستیار
Machine learningDeep learning / NLP / CV

مدل موضوعی NMF چندوجهی

مدل موضوعی NMF چندوجهی، فاکتورسازی ماتریس غیرمنفی (Non-negative Matrix Factorization) را برای کشف همزمان موضوعات نهفته در چندین وجه داده - مانند متن و تصاویر - با اجبار ماتریس‌های فاکتور کم‌رتبه مشترک یا هم‌راستا، گسترش می‌دهد. این مدل موضوعات منسجم و قابل تفسیری را کشف می‌کند که الگوها را در فضاهای ویژگی متنی و بصری (یا سایر) به طور مشترک توضیح می‌دهند.

باز کردن در MethodMindبه‌زودیویدیوبه‌زودیدریافت اسلایدها

مطالعهٔ کامل روش

ویژهٔ اعضا

برای خواندن این بخش با حساب رایگان وارد شوید.

ورود

نقشهٔ روش

همسایگی روش‌های مرتبط — برای کاوش، یک گره را برگزینید.

مدل موضوعی NMF چندوجهی
Latent Dirichlet Allocat…تجزیه ماتریس نامنفی (NMF)

منابع

  1. Cai, D., He, X., Han, J., & Huang, T. S. (2011). Graph regularized NMF. IEEE Transactions on Pattern Analysis and Machine Intelligence, 33(8), 1548–1560. link ↗
  2. Non-negative matrix factorization. Wikipedia. link ↗

نحوهٔ استناد به این صفحه

ScholarGate. (2026, June 3). Multimodal Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/fa/deep-learning/multimodal-nmf-topic-model

کدام روش؟

این روش را در کنار نزدیک‌ترین روش‌های خویشاوندش بگذارید و آن‌ها را کنار هم بخوانید — کتابخانه کتاب‌ها را روی میز می‌گشاید؛ انتخاب با شماست.

مقایسهٔ کنار هم →

در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →

ScholarGate — Multimodal NMF Topic Model (Multimodal Non-negative Matrix Factorization Topic Model). بازیابی‌شده در 2026-06-15 از https://scholargate.app/fa/deep-learning/multimodal-nmf-topic-model · مجموعه‌داده: https://doi.org/10.5281/zenodo.20539026