Önszupervizált NMF témamodell
Az önszupervizált NMF témamodell kiterjeszti a klasszikus nemnegatív mátrixfaktorizációt (Non-negative Matrix Factorization, NMF) a témák felfedezésére azáltal, hogy önszupervizált tanulási jeleket – mint például maszkolt szavak rekonstrukciója vagy kontrasztív célkitűzések – épít be az NMF optimalizálásába. Ezáltal koherensebb és szemantikailag értelmesebb témákat eredményez szövegkorpuszokból anélkül, hogy emberi címkézésű adatokra lenne szükség.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- Shi, T., Guo, X., Lv, J., & Yu, P. S. (2022). Self-supervised NMF-based graph contrastive learning for semi-supervised node classification. In Proceedings of the 36th AAAI Conference on Artificial Intelligence. link ↗
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Self-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/hu/deep-learning/self-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.
- Latens Dirichlet-eloszlás (LDA)Gépi tanulás↔ compare
- Nemnegatív Mátrix Faktorizáció (NMF)Gépi tanulás↔ compare
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →