Modèle thématique NMF
La Factorisation Matricielle Non-Négative (NMF) est une méthode de décomposition matricielle non supervisée qui découvre des sujets latents dans un corpus de textes en factorisant une matrice document-terme en deux matrices non-négatives — l'une encodant les poids mots-sujets, l'autre les poids documents-sujets. La contrainte de non-négativité produit des représentations additives basées sur des parties qui tendent à générer des sujets clairs et interprétables.
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.
+9 more
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 ↗
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/fr/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.
- Classification basée sur BERTApprentissage profond↔ compare
- Modèle de Topics LDAApprentissage profond↔ compare
- Plongements de phrasesApprentissage profond↔ compare
- Modélisation par sujetsApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →