مدلسازی موضوعی NMF
مدلسازی موضوعی NMF از تجزیه ماتریس نامنفی (Non-negative Matrix Factorization) - تجزیه مبتنی بر اجزا که توسط لی و سونگ (۱۹۹۹) معرفی شد - برای استخراج توزیعهای سند-موضوع از یک پیکره استفاده میکند. با تجزیه یک ماتریس سند-واژه به دو ماتریس نامنفی، مجموعهای کوچک از موضوعات را بازیابی میکند و تمایل دارد موضوعات قابل تفسیرتری نسبت به LDA تولید کند.
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. (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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 1). Topic Modeling with Non-negative Matrix Factorization. ScholarGate. https://scholargate.app/fa/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 Embeddingsمتنکاوی↔ compare
- BERTopicمتنکاوی↔ compare
- خوشهبندی اسنادمتنکاوی↔ compare
- TF-IDFمتنکاوی↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →