Puoliohjattu NMF-aihemalli
Puoliohjattu epänegatiivinen matriisihajotelma (NMF) -aihemalli laajentaa valvomattoman NMF:n toimintaa sisällyttämällä käyttäjän antamia siemen-sanoja tai nimike-rajoitteita ohjaamaan löydettyjä aiheita kohti aihealueeseen liittyviä teemoja. Se hajottaa dokumentti-sana-matriisin tulkittaviksi epänegatiivisiksi komponenteiksi noudattaen samalla sanastollisia priori-tietoja, tuottaen yhtenäisiä, sovellukseen sopivia aiheita jopa vaatimattomistakin aineistoista.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Semi-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/fi/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.
- Latent Dirichlet Allocation (LDA) -aiheiden malliSyväoppiminen↔ compare
- NMF-aihemalliSyväoppiminen↔ compare
- Puoliohjattu LDA-aihemalliSyväoppiminen↔ compare
- Puolivalvottu TransformerSyväoppiminen↔ compare
- LauseupotuksetSyväoppiminen↔ compare
- AihemallinnusSyväoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →