Machine learningDeep learning / NLP / CV

Skaidrojams NMF tēmu modelis

Skaidrojams NMF tēmu modelis apvieno nenegatīvu matricu faktorizāciju — uz daļām balstītu dokumentu-terminu matricas sadalījumu — ar skaidrām interpretējamības metodēm, piemēram, koherences metrikām, vārdu kontribūcijas rādītājiem un SHAP stila atribūcijām, lai atklātās tēmas padarītu caurspīdīgas un cilvēku lasītājiem auditējamas.

Atvērt MethodMindDrīzumāVideoDrīzumāDownload slides

Lasīt pilno metodes aprakstu

Tikai dalībniekiem

Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.

Pieteikties

Method map

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

Skaidrojams NMF tēmu modelis

Skaidrojama BERT bāzēta…Skaidrojams LDA tēmu mod…LDA tēmu modelis NMF tēmu modelis Ievietojumi teikumiem Tēmu modelēšana

Avoti

Lee, D. D., & Seung, H. S. (2001). Algorithms for non-negative matrix factorization. Advances in Neural Information Processing Systems, 13, 556–562. link ↗
Non-negative matrix factorization. Wikipedia. link ↗

Kā citēt šo lapu

ScholarGate. (2026, June 3). Explainable Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/lv/deep-learning/explainable-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.

Skaidrojama BERT bāzēta klasifikācijaDziļā mācīšanās↔ compare
Skaidrojams LDA tēmu modelisDziļā mācīšanās↔ compare
LDA tēmu modelisDziļā mācīšanās↔ compare
NMF tēmu modelisDziļā mācīšanās↔ compare
Ievietojumi teikumiemDziļā mācīšanās↔ compare
Tēmu modelēšanaDziļā mācīšanās↔ compare

Compare side by side →

Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →