NMF-aihemalli
Ei-negatiivinen matriisihajotelma (Non-negative Matrix Factorization, NMF) on ohjaamaton matriisihajotelmametodi, joka löytää piileviä aiheita tekstikorpusesta hajottamalla dokumentti-termi-matriisin kahdeksi ei-negatiiviseksi matriisiksi – toinen kuvaa aihe-sana-painoja ja toinen dokumentti-aihe-painoja. Ei-negatiivisuusrajoite tuottaa osiin perustuvia, additiivisia esitysmuotoja, jotka tyypillisesti muodostavat selkeitä, tulkittavia aiheita.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
+9 more
Lähteet
- 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 ↗
- Lee, D. D., & Seung, H. S. (2001). Algorithms for non-negative matrix factorization. In Advances in Neural Information Processing Systems (NIPS), 13, 556–562. link ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/fi/deep-learning/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.
- BERT-pohjainen luokitteluSyväoppiminen↔ compare
- Latent Dirichlet Allocation (LDA) -aiheiden malliSyväoppiminen↔ compare
- LauseupotuksetSyväoppiminen↔ compare
- AihemallinnusSyväoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →