Topic modeling con NMF
Il topic modeling con NMF utilizza la Non-negative Matrix Factorization — la decomposizione basata su parti introdotta da Lee e Seung (1999) — per estrarre distribuzioni documento-topic da un corpus. Fattorizzando una matrice documento-termine in due matrici non negative, recupera un piccolo insieme di topic e tende a produrre topic più interpretabili rispetto a LDA.
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. (1999). Learning the Parts of Objects by Non-negative Matrix Factorization. Nature, 401, 788-791. DOI: 10.1038/44565 ↗
- Arora, S., Ge, R., Halpern, Y., Mimno, D., Moitra, A., Sontag, D., Wu, Y. & Zhu, M. (2013). A Practical Algorithm for Topic Modeling with Provable Guarantees. Proceedings of the 30th International Conference on Machine Learning (ICML), 280-288. link ↗
Come citare questa pagina
ScholarGate. (2026, June 1). Topic Modeling with Non-negative Matrix Factorization. ScholarGate. https://scholargate.app/it/text-mining/topic-modeling-nmf
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.
- BERT EmbeddingsText mining↔ compare
- BERTopicText mining↔ compare
- Clustering di documentiText mining↔ compare
- TF-IDFText mining↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →