Modèle thématique par factorisation matricielle non négative semi-supervisée
Le modèle thématique par factorisation matricielle non négative (NMF) semi-supervisée étend la NMF non supervisée en incorporant des mots d'amorçage ou des contraintes d'étiquettes fournis par l'utilisateur pour orienter les sujets découverts vers des thèmes pertinents pour le domaine. Il factorise une matrice document-terme en composantes non négatives interprétables tout en respectant les a priori lexicaux, produisant des sujets cohérents et alignés sur l'application, même à partir de corpus modestes.
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. (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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Semi-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/fr/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.
- Modèle de Topics LDAApprentissage profond↔ compare
- Modèle thématique NMFApprentissage profond↔ compare
- Modèle thématique LDA semi-superviséApprentissage profond↔ compare
- Transformeur semi-superviséApprentissage 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 →