Modello di Topic NMF Auto-supervisionato
Il Modello di Topic NMF Auto-supervisionato estende la Fattorizzazione di Matrici Non-negative classica per la scoperta di topic incorporando segnali di apprendimento auto-supervisionato — come la ricostruzione di parole mascherate o obiettivi contrastivi — nell'ottimizzazione NMF, producendo topic più coerenti e semanticamente significativi da corpora testuali senza richiedere dati etichettati dall'uomo.
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.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Self-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/it/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.
- Latent Dirichlet Allocation (LDA)Apprendimento automatico↔ compare
- Fattorizzazione di Matrici Non-Negative (NMF)Apprendimento automatico↔ compare
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →