Modello di Topic NMF
La Fattorizzazione di Matrici Non-Negative (NMF) è un metodo di decomposizione matriciale non supervisionato che scopre topic latenti in un corpus di testo fattorizzando una matrice documento-termine in due matrici non-negative — una che codifica i pesi topic-parola, l'altra i pesi documento-topic. Il vincolo di non-negatività produce rappresentazioni additive basate su parti che tendono a generare topic puliti e interpretabili.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
+9 more
Fonti
- 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 ↗
- Lee, D. D., & Seung, H. S. (2001). Algorithms for non-negative matrix factorization. In Advances in Neural Information Processing Systems (NIPS), 13, 556–562. link ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/it/deep-learning/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.
- Classificazione basata su BERTApprendimento profondo↔ compare
- Modello di Topic LDAApprendimento profondo↔ compare
- Sentence EmbeddingsApprendimento profondo↔ compare
- Topic ModelingApprendimento profondo↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →