Process / pipeline
מודל נושאי NMF
מודל נושאי NMF משתמש בפירוק מטריצות אי-שלילי (Non-negative Matrix Factorization – NMF) – הפירוק מבוסס-החלקים שהוצג על ידי Lee ו-Seung (1999) – כדי לחלץ התפלגויות מסמך-נושא מתוך קורפוס. על ידי פירוק מטריצת מסמך-מונח לשתי מטריצות אי-שליליות, הוא משחזר קבוצה קטנה של נושאים ונוטה לייצר נושאים ניתנים יותר לפרשנות מאשר LDA.
קראו את השיטה במלואה
לחברים בלבד
התחברותהתחברו עם חשבון חינמי כדי לקרוא חלק זה.
Method map
The neighbourhood of related methods — select a node to explore.
מקורות
- 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 ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 1). Topic Modeling with Non-negative Matrix Factorization. ScholarGate. https://scholargate.app/he/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.
- BERT Embeddingsכריית טקסט↔ compare
- BERTopicכריית טקסט↔ compare
- מיון מסמכיםכריית טקסט↔ compare
- TF-IDFכריית טקסט↔ compare