Machine learningDeep learning / NLP / CV
NMF tēmu modelis
Nenegatīvā matricas faktorizācija (NMF) ir neuzraudzīta matricas dekompozīcijas metode, kas atklāj latentas tēmas teksta datu kopās.
Lasīt pilno metodes aprakstu
Tikai dalībniekiem
PieteiktiesPiesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
+9 more
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 ↗
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/lv/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.
- BERT klasifikācijaDziļā mācīšanās↔ compare
- LDA tēmu modelisDziļā mācīšanās↔ compare
- Ievietojumi teikumiemDziļā mācīšanās↔ compare
- Tēmu modelēšanaDziļā mācīšanās↔ compare
Uz to atsaucas
Adaptīvs NMF tēmu modelis domēniemSkaidrojams NMF tēmu modelisSkaidrojama tēmu modelēšanaPielāgotais LDA tēmu modelisPielāgotā tēmu modelēšanaLDA tēmu modelisDaudzvalodu tematu modelēšanaMultimodal LDA tēmu modelisDaudzmodālu tēmu modelēšanaPašuzraudzības LDA tēmu modelisPašuzraudzītā tekstu tēmu modelēšanaDaļēji uzraudzīts NMF tēmu modelisTēmu modelēšanaPārneses apmācība ar NMF tēmu modeliPārneses apmācība ar tēmu modelēšanuVāji uzraudzīts LDA tēmu modelisVāji uzraudzīta tēmu modelēšana
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →