ScholarGate
Assistente
Machine learningDeep learning / NLP / CV

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.

Apri in MethodMindIn arrivoVideoIn arrivoDownload slides

Leggi il metodo completo

Riservato ai membri

Accedi con un account gratuito per leggere questa sezione.

Accedi

Method map

The neighbourhood of related methods — select a node to explore.

+9 more

Fonti

  1. 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
  2. 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.

Compare side by side

Citato da

ScholarGateNMF Topic Model (Non-negative Matrix Factorization Topic Model). Consultato il 2026-06-15 da https://scholargate.app/it/deep-learning/nmf-topic-model · Insieme di dati: https://doi.org/10.5281/zenodo.20539026