Modèle thématique NMF adaptatif au domaine
Le modèle thématique NMF adaptatif au domaine applique la factorisation matricielle non-négative (NMF) pour découvrir des sujets latents dans des textes provenant de multiples domaines, en utilisant la régularisation ou des contraintes de base partagée pour transférer les connaissances thématiques d'un domaine source riche en ressources vers un domaine cible disposant de données étiquetées limitées. Il combine une décomposition interprétable basée sur des parties avec des objectifs d'adaptation de domaine pour produire des sujets à la fois spécifiques au domaine et cohérents entre les domaines.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
- Non-negative matrix factorization. Wikipedia. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Domain-Adaptive Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/fr/deep-learning/domain-adaptive-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.
- Modèle de Topics LDAApprentissage profond↔ compare
- Modèle thématique NMFApprentissage profond↔ compare
- Modélisation par sujetsApprentissage profond↔ compare
- Apprentissage par transfert avec modèle thématique NMFApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →