Modello di Topic basato su Fattorizzazione Non-Negativa (NMF) Semi-supervisionata
Il Modello di Topic basato su Fattorizzazione Non-Negativa (NMF) Semi-supervisionata estende l'NMF non supervisionata incorporando parole seme o vincoli di etichetta forniti dall'utente per orientare i topic scoperti verso temi pertinenti al dominio. Esso fattorizza una matrice documento-termine in componenti non-negative interpretabili, rispettando al contempo prior lessicali, producendo topic coerenti e allineati all'applicazione anche da corpora modesti.
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
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Semi-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/it/deep-learning/semi-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.
- Modello di Topic LDAApprendimento profondo↔ compare
- Modello di Topic NMFApprendimento profondo↔ compare
- Modello di argomento LDA semi-supervisionatoApprendimento profondo↔ compare
- Transformer semi-supervisionatoApprendimento profondo↔ compare
- Sentence EmbeddingsApprendimento profondo↔ compare
- Topic ModelingApprendimento profondo↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →