Machine learningDeep learning / NLP / CV

NMF 토픽 모델

비음수 행렬 분해(Non-negative Matrix Factorization, NMF)는 텍스트 코퍼스 내 잠재 토픽을 발견하기 위한 비지도 행렬 분해 방법으로, 문서-단어 행렬을 두 개의 비음수 행렬로 분해합니다. 하나는 토픽-단어 가중치를, 다른 하나는 문서-토픽 가중치를 인코딩합니다. 비음수 제약 조건은 부분 기반의 가법적 표현을 생성하여 깨끗하고 해석 가능한 토픽을 만드는 경향이 있습니다.

MethodMind에서 열기곧 제공동영상곧 제공Download slides

방법 전문 읽기

회원 전용

무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.

로그인

Method map

The neighbourhood of related methods — select a node to explore.

NMF 토픽 모델

BERT 기반 분류 LDA 토픽 모델 문장 임베딩 토픽 모델링 도메인 적응형 NMF 토픽 모델 설명 가능한 NMF 토픽 모델 설명 가능한 토픽 모델링 미세 조정 LDA 토픽 모델 미세 조정 토픽 모델링 다국어 토픽 모델링

+9 more

출처

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 ↗

이 페이지 인용 방법

ScholarGate. (2026, June 3). Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/ko/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.

Compare side by side →

이 방법을 참조하는 항목

도메인 적응형 NMF 토픽 모델 설명 가능한 NMF 토픽 모델 설명 가능한 토픽 모델링 미세 조정 LDA 토픽 모델 미세 조정 토픽 모델링 LDA 토픽 모델 다국어 토픽 모델링 Multimodal LDA Topic Model 다중 양식 토픽 모델링 자가 지도 LDA 토픽 모델 자기 지도 토픽 모델링 준지도 비음수 행렬 분해 (NMF) 토픽 모델 토픽 모델링 NMF 토픽 모델을 이용한 전이 학습 토픽 모델링을 이용한 전이 학습 약지도 LDA 토픽 모델 약한 지도 토픽 모델링

이 페이지에서 오류를 발견하셨나요? 신고하거나 수정을 제안하세요 →

방법 전문 읽기

Method map

출처

이 페이지 인용 방법

관련 방법

Which method?

이 방법을 참조하는 항목