NMF Topic Modeling
NMF topic modeling gebruikt Non-negative Matrix Factorization — de op onderdelen gebaseerde decompositie geïntroduceerd door Lee en Seung (1999) — om document-topic distributies uit een corpus te extraheren. Door een document-term matrix te factoriseren in twee niet-negatieve matrices, herstelt het een kleine set van topics en produceert het doorgaans interpreteerbare topics dan LDA.
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. (1999). Learning the Parts of Objects by Non-negative Matrix Factorization. Nature, 401, 788-791. DOI: 10.1038/44565 ↗
- Arora, S., Ge, R., Halpern, Y., Mimno, D., Moitra, A., Sontag, D., Wu, Y. & Zhu, M. (2013). A Practical Algorithm for Topic Modeling with Provable Guarantees. Proceedings of the 30th International Conference on Machine Learning (ICML), 280-288. link ↗
Deze pagina citeren
ScholarGate. (2026, June 1). Topic Modeling with Non-negative Matrix Factorization. ScholarGate. https://scholargate.app/nl/text-mining/topic-modeling-nmf
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-inbeddingenText mining↔ compare
- BERTopicText mining↔ compare
- DocumentclusteringText mining↔ compare
- TF-IDFText mining↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →