Domein-adaptief NMF-onderwerpmodel
Domein-adaptieve NMF-onderwerpmodellering past Non-negative Matrix Factorization toe om latente onderwerpen te ontdekken in teksten uit meerdere domeinen, waarbij regularisatie of gedeelde basisbeperkingen worden gebruikt om onderwerpkennis over te dragen van een bronrijk bronnen-domein naar een doel-domein met beperkte gelabelde gegevens. Het combineert interpreteerbare op delen gebaseerde decompositie met domein-adaptatie-doelstellingen om onderwerpen te produceren die zowel domein-specifiek als cross-domein consistent zijn.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Methodenkaart
De omgeving van verwante methoden — selecteer een knooppunt om te verkennen.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Domain-Adaptive Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/nl/deep-learning/domain-adaptive-nmf-topic-model
Welke methode?
Plaats deze methode naast haar naaste verwanten en lees ze naast elkaar — de bibliotheek legt de boeken op tafel; de keuze is aan u.
- LDA-onderwerpmodelDeep learning↔ vergelijken
- NMF-onderwerpmodelDeep learning↔ vergelijken
- OnderwerpmodelleringDeep learning↔ vergelijken
- Transfer Learning met NMF Topic ModelDeep learning↔ vergelijken
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →