Machine learningDeep learning / NLP / CV
半教師ありNMFトピックモデル
半教師あり非負行列因子分解（NMF）トピックモデルは、ユーザーが提供するシードワードやラベル制約を組み込むことで、教師なしNMFを拡張し、発見されるトピックをドメイン関連のテーマに誘導します。これは、文書-単語行列を解釈可能な非負の成分に因子分解し、語彙的先行知識を尊重しながら、控えめなコーパスからでも一貫性のある、アプリケーションに合致したトピックを生成します。
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.
出典
- 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 ↗
このページの引用方法
ScholarGate. (2026, June 3). Semi-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/ja/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.
- LDAトピックモデル深層学習↔ compare
- NMFトピックモデル深層学習↔ compare
- 半教師ありLDAトピックモデル深層学習↔ compare
- 半教師ありTransformer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