Modèle thématique NMF auto-supervisé
Le modèle thématique NMF auto-supervisé étend la factorisation matricielle non négative (NMF) classique pour la découverte de thèmes en y intégrant des signaux d'apprentissage auto-supervisé — tels que la reconstruction de mots masqués ou des objectifs contrastifs — dans l'optimisation NMF, produisant ainsi des thèmes plus cohérents et sémantiquement significatifs à partir de corpus textuels sans nécessiter de données étiquetées par l'homme.
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
- Shi, T., Guo, X., Lv, J., & Yu, P. S. (2022). Self-supervised NMF-based graph contrastive learning for semi-supervised node classification. In Proceedings of the 36th AAAI Conference on Artificial Intelligence. link ↗
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Self-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/fr/deep-learning/self-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)Apprentissage automatique↔ compare
- Factorisation de Matrices Non-Négatives (NMF)Apprentissage automatique↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →