מודל נושאים NMF בפיקוח-עצמי
מודל הנושאים NMF בפיקוח-עצמי מרחיב את הפירוק הלא-שלילי של מטריצות (Non-negative Matrix Factorization - NMF) הקלאסי לגילוי נושאים, על ידי שילוב אותות למידה בפיקוח-עצמי — כגון שחזור מילים ממוסכות או מטרות ניגודיות — באופטימיזציה של NMF, וכתוצאה מכך מתקבלים נושאים קוהרנטיים ובעלי משמעות סמנטית רבה יותר מקורפוסים טקסטואליים, ללא צורך בנתונים מתויגים על ידי אדם.
קראו את השיטה במלואה
התחברו עם חשבון חינמי כדי לקרוא חלק זה.
Method map
The neighbourhood of related methods — select a node to explore.
מקורות
- 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 ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 3). Self-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/he/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.
- הקצאת דיריכלה סמויה (LDA)למידת מכונה↔ compare
- פירוק מטריצות לא-שליליות (NMF)למידת מכונה↔ compare