NMF emnemodell
Non-negative Matrix Factorization (NMF) er en uovervåket matrise-dekomponeringsmetode som oppdager latente emner i et tekstkorpus ved å faktorisere en dokument-termatrise til to ikke-negative matriser – én som koder for emne-ord-vekter, den andre for dokument-emne-vekter. Ikke-negativitetsbegrensningen gir del-baserte, additive representasjoner som har en tendens til å produsere rene, tolkbare emner.
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.
+9 more
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 ↗
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/no/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-basert klassifiseringDyp læring↔ compare
- LDA emnemodellDyp læring↔ compare
- SetningsembddingerDyp læring↔ compare
- Emne-modelleringDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →