NMF-aihemallinnus
NMF-aihemallinnus käyttää ei-negatiivista matriisihajotelmaa (Non-negative Matrix Factorization, NMF) – Lee ja Seung (1999) esittelemää osiin perustuvaa hajotelmaa – dokumentti-aihe-jakaumien erottamiseksi aineistosta. Hajottamalla dokumentti-termi-matriisi kahdeksi ei-negatiiviseksi matriisiksi se palauttaa pienen joukon aiheita ja tuottaa tyypillisesti tulkittavampia aiheita kuin LDA.
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. (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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 1). Topic Modeling with Non-negative Matrix Factorization. ScholarGate. https://scholargate.app/fi/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-upotukset – kontekstisidonnaiset tekstiesityksetTekstinlouhinta↔ compare
- BERTopicTekstinlouhinta↔ compare
- Dokumenttien klusterointiTekstinlouhinta↔ compare
- TF-IDFTekstinlouhinta↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →