مدل موضوعی NMF خودنظارتی
مدل موضوعی NMF خودنظارتی، فاکتورسازی ماتریس نامنفی کلاسیک را برای کشف موضوع با ادغام سیگنالهای یادگیری خودنظارتی — مانند بازسازی کلمه پوشانده شده یا اهداف تمایزگرا — در بهینهسازی NMF گسترش میدهد و موضوعات منسجمتر و معنادارتری را از پیکرههای متنی بدون نیاز به دادههای برچسبگذاری شده توسط انسان استخراج میکند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Self-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/fa/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)یادگیری ماشین↔ compare
- تجزیه ماتریس نامنفی (NMF)یادگیری ماشین↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →