Model Topi NMF Adaptif Domain
Model Topi NMF Adaptif Domain menggunakan Faktorisasi Matriks Non-negatif (Non-negative Matrix Factorization - NMF) untuk menemui topik laten merentasi teks daripada pelbagai domain, menggunakan kekangan regularisasi atau asas kongsi untuk memindahkan pengetahuan topik daripada domain sumber yang kaya sumber kepada domain sasaran dengan data berlabel terhad. Ia menggabungkan penguraian berasaskan bahagian yang boleh ditafsirkan dengan objektif adaptasi domain untuk menghasilkan topik yang khusus domain dan konsisten merentasi domain.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Domain-Adaptive Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/ms/deep-learning/domain-adaptive-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.
- Model Topik LDAPembelajaran Mendalam↔ compare
- Model Topikal NMFPembelajaran Mendalam↔ compare
- Pemodelan TopikPembelajaran Mendalam↔ compare
- Pembelajaran Pemindahan dengan Model Topik NMFPembelajaran Mendalam↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →