Prenosno učenje s NMF modelom tema
Prenosno učenje s NMF modelom tema primjenjuje znanje iz označene ili podatkovno bogate izvorišne domene kako bi se poboljšalo otkrivanje tema pomoću faktorizacije nenegativnih matrica (NMF) u ciljnoj domeni s malo resursa. Inicijalizacijom ili ograničavanjem NMF bazne matrice temama iz izvorišne domene, model otkriva koherentne ciljne teme čak i kada su dokumenti ciljne domene oskudni ili neoznačeni.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Karta metoda
Okruženje srodnih metoda — odaberite čvor za istraživanje.
Izvori
- Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359. DOI: 10.1109/TKDE.2009.191 ↗
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Transfer Learning with Non-Negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/hr/deep-learning/transfer-learning-with-nmf-topic-model
Koja metoda?
Postavite ovu metodu uz njoj najsrodnije i pročitajte ih jednu uz drugu — knjižnica vam knjige stavlja na stol; izbor je na vama.
- Prilagodljivi NMF model temaDuboko učenje↔ usporedi
- LDA model temaDuboko učenje↔ usporedi
- Model tema nenegativne faktorizacije matriceDuboko učenje↔ usporedi
- Modeliranje temaDuboko učenje↔ usporedi
- Transfer Learning with LDA Topic ModelDuboko učenje↔ usporedi
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →