Model Topik NMF Semi-Terawasi
Model Topik Non-negative Matrix Factorization (NMF) Semi-Terawasi memperluas NMF tanpa terawasi dengan memasukkan kata benih (seed words) atau batasan label yang disediakan pengguna untuk mengarahkan topik yang ditemukan ke tema yang relevan dengan domain. Model ini memfaktorkan matriks dokumen-kata menjadi komponen non-negatif yang dapat diinterpretasikan sambil menghormati prior leksikal, menghasilkan topik yang koheren dan selaras dengan aplikasi bahkan dari korpus yang sederhana.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Peta metode
Lingkup metode terkait — pilih sebuah simpul untuk menjelajah.
Sumber
- Lee, D. D., & Seung, H. S. (2001). Algorithms for non-negative matrix factorization. Advances in Neural Information Processing Systems, 13, 556–562. link ↗
- Jagarlamudi, J., Daume, H., & Udupa, R. (2012). Incorporating lexical priors into topic models. Proceedings of the 13th Conference of the European Chapter of the Association for Computational Linguistics (EACL 2012), 204–213. link ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Semi-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/id/deep-learning/semi-supervised-nmf-topic-model
Metode yang mana?
Letakkan metode ini berdampingan dengan kerabat terdekatnya dan baca secara bersisian — pustaka menata bukunya di atas meja; pilihan ada di tangan Anda.
- Model Topik LDAPembelajaran Mendalam↔ bandingkan
- Model Topik NMFPembelajaran Mendalam↔ bandingkan
- Model Topik LDA Semi-TerawasiPembelajaran Mendalam↔ bandingkan
- Transformer Semi-terawasiPembelajaran Mendalam↔ bandingkan
- Sentence EmbeddingsPembelajaran Mendalam↔ bandingkan
- Pemodelan TopikPembelajaran Mendalam↔ bandingkan
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →