NMF Témamodellezés
Az NMF témamodellezés a nemnegatív mátrixfaktorizációt – a Lee és Seung (1999) által bevezetett részeken alapuló dekompozíciót – használja dokumentum-téma eloszlások kinyerésére egy korpuszból. Egy dokumentum-szó mátrix két nemnegatív mátrixra történő faktorizálásával egy kis számú témát állít elő, és általában értelmezhetőbb témákat eredményez, mint az LDA.
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, 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. link ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 1). Topic Modeling with Non-negative Matrix Factorization. ScholarGate. https://scholargate.app/hu/text-mining/topic-modeling-nmf
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.
- BERT-beágyazásokSzövegbányászat↔ összehasonlítás
- BERTopicSzövegbányászat↔ összehasonlítás
- Dokumentumok klaszterezéseSzövegbányászat↔ összehasonlítás
- TF-IDFSzövegbányászat↔ összehasonlítás
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →