Tartományadaptív NMF témamodell
A tartományadaptív NMF témamodellezés nemnegatív mátrixfaktorizációt (Non-negative Matrix Factorization, NMF) alkalmaz a látens témák felfedezésére több tartomány szövegeiben. Regularizációt vagy megosztott báziskényszereket használ a témával kapcsolatos tudás átvitelére egy erőforrásokban gazdag forrástartományból egy korlátozottan címkézett adatokkal rendelkező céltartományba. Az értelmezhető, részleges alapú dekompozíciót tartományadaptációs célkitűzésekkel ötvözi, hogy olyan témákat hozzon létre, amelyek egyszerre tartományspecifikusak és tartományokon átívelően konzisztensek.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Módszertérkép
A rokon módszerek környezete — válasszon ki egy csomópontot a felfedezéshez.
Források
- 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 ↗
- Non-negative matrix factorization. Wikipedia. link ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Domain-Adaptive Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/hu/deep-learning/domain-adaptive-nmf-topic-model
Melyik módszer?
Állítsa e módszert a hozzá legközelebb álló rokonai mellé, és olvassa őket egymás mellett — a könyvtár az asztalra teszi a könyveket; a választás az Öné.
- LDA témamodellMélytanulás↔ összehasonlítás
- NMF TémamodellMélytanulás↔ összehasonlítás
- Tematikus modellezésMélytanulás↔ összehasonlítás
- Transzfer Tanulás NMF TémamodellelMélytanulás↔ összehasonlítás
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →