Domene-adaptiv NMF-emnemodell
Domene-adaptiv NMF-emnemodellering anvender Non-negative Matrix Factorization (NMF) for å avdekke latente emner på tvers av tekst fra flere domener, ved bruk av regularisering eller felles basisbegrensninger for å overføre emnekunnskap fra et ressursrikt kildedomen til et måldomen med begrenset merket data. Den kombinerer tolkbar del-basert dekomponering med domene-adaptasjonsoppgaver for å produsere emner som er både domenespesifikke og konsistente på tvers av domener.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Domain-Adaptive Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/no/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.
- LDA emnemodellDyp læring↔ compare
- NMF emnemodellDyp læring↔ compare
- Emne-modelleringDyp læring↔ compare
- Overføringslæring med NMF-emnemodellDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →