Polu-nadgledani model tema NMF
Polu-nadgledani model tema temeljen na faktorizaciji nenegativnih matrica (NMF) proširuje nenadziranu NMF uključivanjem korisnički definiranih početnih riječi ili ograničenja oznaka kako bi se otkrivene teme usmjerile prema domenama relevantnim za struku. Faktorizira matricu dokumenata i riječi u interpretacijske nenegativne komponente, poštujući leksičke pretpostavke, što rezultira koherentnim, prilagođenim temama čak i iz skromnih korpusa.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Semi-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/hr/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.
- LDA model temaDuboko učenje↔ compare
- Model tema nenegativne faktorizacije matriceDuboko učenje↔ compare
- Polunadzirani model tema LDADuboko učenje↔ compare
- Poluučeni TransformerDuboko učenje↔ compare
- Ugrađivanje rečenicaDuboko učenje↔ compare
- Modeliranje temaDuboko učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →