مدل موضوعی NMF نیمهنظارتشده
مدل موضوعی تجزیه ماتریس غیرمنفی (NMF) نیمهنظارتشده، NMF بدون نظارت را با گنجاندن کلمات کلیدی یا محدودیتهای برچسب ارائهشده توسط کاربر برای هدایت موضوعات کشفشده به سمت مضامین مرتبط با دامنه، گسترش میدهد. این مدل یک ماتریس سند-واژه را به اجزای غیرمنفی قابل تفسیر تجزیه میکند و در عین حال الگوهای لغوی اولیه را رعایت میکند و موضوعات منسجم و همراستا با کاربرد را حتی از مجموعههای متنی متوسط به دست میدهد.
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
- Lee, D. D., & Seung, H. S. (2001). Algorithms for non-negative matrix factorization. Advances in Neural Information Processing Systems, 13, 556–562. link ↗
- Jagarlamudi, J., Daume, H., & Udupa, R. (2012). Incorporating lexical priors into topic models. Proceedings of the 13th Conference of the European Chapter of the Association for Computational Linguistics (EACL 2012), 204–213. link ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Semi-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/fa/deep-learning/semi-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.
- مدل موضوعی LDAیادگیری عمیق↔ compare
- مدل موضوعی NMFیادگیری عمیق↔ compare
- مدل موضوعی LDA نیمهنظارتییادگیری عمیق↔ compare
- ترنسفورمر نیمهنظارتییادگیری عمیق↔ compare
- تعبیههای جملهیادگیری عمیق↔ compare
- مدلسازی موضوعییادگیری عمیق↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →