Adaptīvs NMF tēmu modelis domēniem
Adaptīvais NMF tēmu modelēšanas paņēmiens izmanto ne-negatīvu matricu faktorizāciju (Non-negative Matrix Factorization, NMF), lai atklātu latentas tēmas dažādu domēnu tekstos, izmantojot regularizāciju vai kopīgus bāzes ierobežojumus, lai pārnestu tēmu zināšanas no resursiem bagāta avota domēna uz mērķa domēnu ar ierobežotiem iezīmētiem datiem. Tas apvieno interpretējamu uz daļām balstītu sadalījumu ar domēnu adaptācijas mērķiem, lai radītu tēmas, kas ir gan domēniem specifiskas, gan starp domēniem konsekventas.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- 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 ↗
- Non-negative matrix factorization. Wikipedia. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Domain-Adaptive Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/lv/deep-learning/domain-adaptive-nmf-topic-model
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- LDA tēmu modelisDziļā mācīšanās↔ salīdzināt
- NMF tēmu modelisDziļā mācīšanās↔ salīdzināt
- Tēmu modelēšanaDziļā mācīšanās↔ salīdzināt
- Pārneses apmācība ar NMF tēmu modeliDziļā mācīšanās↔ salīdzināt
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →