NMF-onderwerpmodel
Niet-negatieve Matrixfactorisatie (NMF) is een onbewaakte matrixdecompositie-methode die latente onderwerpen in een tekstcorpus ontdekt door een document-term-matrix te ontbinden in twee niet-negatieve matrices — één die onderwerp-woordgewichten codeert, de andere document-onderwerp-gewichten. De niet-negativiteitsbeperking levert onderdelen-gebaseerde, additieve representaties op die doorgaans schone, interpreteerbare onderwerpen produceren.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
+9 more
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 ↗
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/nl/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-gebaseerde ClassificatieDeep learning↔ compare
- LDA-onderwerpmodelDeep learning↔ compare
- Sentence EmbeddingsDeep learning↔ compare
- OnderwerpmodelleringDeep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →