Modélisation thématique par NMF
La modélisation thématique par NMF utilise la factorisation matricielle non-négative — la décomposition basée sur les parties introduite par Lee et Seung (1999) — pour extraire des distributions document-topic d'un corpus. En factorisant une matrice document-terme en deux matrices non-négatives, elle récupère un petit ensemble de thèmes et tend à produire des thèmes plus interprétables que LDA.
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, 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 ↗
Comment citer cette page
ScholarGate. (2026, June 1). Topic Modeling with Non-negative Matrix Factorization. ScholarGate. https://scholargate.app/fr/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.
- Embeddings BERTFouille de textes↔ compare
- BERTopicFouille de textes↔ compare
- Le regroupement de documentsFouille de textes↔ compare
- TF-IDFFouille de textes↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →