Process / pipeline
NMFトピックモデリング
NMFトピックモデリングは、非負行列因子分解（Non-negative Matrix Factorization、NMF）を利用します。これはLeeとSeung (1999)によって導入されたパーツベースの分解であり、コーパスから文書-トピック分布を抽出します。文書-単語行列を2つの非負行列に因子分解することで、少数のトピックを抽出し、LDAよりも解釈しやすいトピックを生成する傾向があります。
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. (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 ↗
このページの引用方法
ScholarGate. (2026, June 1). Topic Modeling with Non-negative Matrix Factorization. ScholarGate. https://scholargate.app/ja/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埋め込みテキストマイニング↔ compare
- BERTopicテキストマイニング↔ compare
- 文書クラスタリングテキストマイニング↔ compare
- TF-IDFテキストマイニング↔ compare