Daļēji uzraudzīts NMF tēmu modelis
Daļēji uzraudzīts ne negatīvas matricas faktorizācijas (NMF) tēmu modelis paplašina neuzraudzīto NMF, iekļaujot lietotāja nodrošinātus sēklu vārdus vai etiķešu ierobežojumus, lai virzītu atklātās tēmas uz domēnam atbilstošām tēmām. Tas faktorizē dokumentu-terminu matricu interpretējamās ne negatīvās komponentēs, vienlaikus ievērojot leksikālās prioritātes, radot saskaņotas, lietojumprogrammai atbilstošas tēmas pat no nelieliem korpusiem.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Lee, D. D., & Seung, H. S. (2001). Algorithms for non-negative matrix factorization. Advances in Neural Information Processing Systems, 13, 556–562. link ↗
- Jagarlamudi, J., Daume, H., & Udupa, R. (2012). Incorporating lexical priors into topic models. Proceedings of the 13th Conference of the European Chapter of the Association for Computational Linguistics (EACL 2012), 204–213. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Semi-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/lv/deep-learning/semi-supervised-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.
- LDA tēmu modelisDziļā mācīšanās↔ compare
- NMF tēmu modelisDziļā mācīšanās↔ compare
- Pusuzraudzītā LDA tēmu modelisDziļā mācīšanās↔ compare
- Pusuzraudzīts transformatorsDziļā mācīšanās↔ compare
- Ievietojumi teikumiemDziļā mācīšanās↔ compare
- Tēmu modelēšanaDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →