Selv-supervisert NMF-temamodell
Den selv-superviserte NMF-temamodellen utvider klassisk Non-negative Matrix Factorization (NMF) for temaoppdagelse ved å inkorporere selv-superviserte læringssignaler — som maskert ord-rekonstruksjon eller kontrasterende mål — i NMF-optimaliseringen, noe som gir mer koherente og semantisk meningsfulle temaer fra tekstkorpora uten behov for menneskedata.
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
- Shi, T., Guo, X., Lv, J., & Yu, P. S. (2022). Self-supervised NMF-based graph contrastive learning for semi-supervised node classification. In Proceedings of the 36th AAAI Conference on Artificial Intelligence. link ↗
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Self-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/no/deep-learning/self-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.
- Latent Dirichlet Allocation (LDA)Maskinlæring↔ compare
- Non-negativ matrisefaktorisering (NMF)Maskinlæring↔ compare
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →