Semi-supervised NMF Topic Model
Semi-supervised Non-negative Matrix Factorization (NMF) Topic Model breidt het ongesuperviseerde NMF uit door door de gebruiker verstrekte zaadwoorden of labelbeperkingen te integreren om ontdekte onderwerpen te sturen naar domeinspecifieke thema's. Het factoriseert een document-term matrix in interpreteerbare niet-negatieve componenten, met respect voor lexicale priors, wat resulteert in coherente, toepassingsgerichte onderwerpen, zelfs uit bescheiden corpora.
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.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Semi-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/nl/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-onderwerpmodelDeep learning↔ compare
- NMF-onderwerpmodelDeep learning↔ compare
- Semi-supervised LDA Topic ModelDeep learning↔ compare
- Semi-supervised TransformerDeep learning↔ compare
- Sentence EmbeddingsDeep learning↔ compare
- OnderwerpmodelleringDeep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →