Zapis dokaza metode
NMF Topic Modeling
NMF topic modeling uses Non-negative Matrix Factorization — the parts-based decomposition introduced by Lee and Seung (1999) — to extract document-topic distributions from a corpus. By factoring a document-term matrix into two non-negative matrices, it recovers a small set of topics and tends to produce more interpretable topics than LDA.
Izvorni zapis
Citati kopirani doslovno iz izvornog zapisa metode. Ne impliciraju nikakvu provjeru na razini tvrdnje.
Topic Modeling with Non-negative Matrix Factorization
Taksonomski zapis metode · process-pipeline / text-mining
- 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. · URL
Uređene tvrdnje
Tvrdnje pohranjene u knjigu dokaza, svaka s vlastitom procjenom.
Nema uređenih tvrdnji
Ovaj prikaz ne izmišlja procjenu tvrdnje kada knjiga dokaza nema nijednu.
Povezane metode
Generirano iz grafa metode i prikazano kao strojno predložene relacije — ne implicira se nikakva tvrdnja dokaza.