Machine learningDeep learning / NLP / CV
NMFトピックモデル
非負値行列因子分解（Non-negative Matrix Factorization, NMF）は、教師なし学習による行列分解手法であり、文書-単語行列を2つの非負値行列に分解することでテキストコーパス内の潜在的なトピックを発見する。一方の行列はトピック-単語の重みを、もう一方の行列は文書-トピックの重みをエンコードする。非負値制約により、部分ベースの加法的な表現が得られ、クリーンで解釈性の高いトピックが生成されやすい。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
Method map
The neighbourhood of related methods — select a node to explore.
+9 more
出典
- 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 ↗
このページの引用方法
ScholarGate. (2026, June 3). Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/ja/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.
- BERTベースの分類深層学習↔ compare
- LDAトピックモデル深層学習↔ compare
- 文埋め込み（Sentence Embeddings）深層学習↔ compare
- トピックモデリング深層学習↔ compare