מודל נושאים NMF
פירוק מטריצות לא-שליליות (Non-negative Matrix Factorization, NMF) הוא שיטת פירוק מטריצות בלתי מונחית (unsupervised) המגלה נושאים חבויים בקורפוס טקסט על ידי פירוק מטריצת מסמכים-מילים לשתי מטריצות לא-שליליות — אחת המקודדת משקלים של נושא-מילה, והשנייה משקלים של מסמך-נושא. אילוץ אי-השליליות מניב ייצוגים חלקיים (parts-based) וחיבוריים (additive) הנוטים להפיק נושאים נקיים וניתנים לפירוש.
קראו את השיטה במלואה
התחברו עם חשבון חינמי כדי לקרוא חלק זה.
Method map
The neighbourhood of related methods — select a node to explore.
+9 more
מקורות
- 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 ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 3). Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/he/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.
- סיווג מבוסס BERTלמידה עמוקה↔ compare
- מודל נושאים LDAלמידה עמוקה↔ compare
- ייצוגי משפטים (Sentence Embeddings)למידה עמוקה↔ compare
- מידול נושאיםלמידה עמוקה↔ compare