Semiveiledetet NMF-emnemodell
Semiveiledetet ikke-negativ matrisefaktorisering (NMF) emnemodell utvider uveiledet NMF ved å inkorporere brukerdefinerte såord eller etikettbegrensninger for å styre oppdagede emner mot domene-relevante temaer. Den faktoriserer en dokument-term-matrise til tolkbare ikke-negative komponenter, samtidig som den respekterer leksikalske forhåndskunnskaper, noe som gir koherente, applikasjonsjusterte emner selv fra beskjedne korpora.
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. (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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Semi-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/no/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 emnemodellDyp læring↔ compare
- NMF emnemodellDyp læring↔ compare
- Semi-supervised LDA-emnemodellDyp læring↔ compare
- Semi-supervisert TransformerDyp læring↔ compare
- SetningsembddingerDyp læring↔ compare
- Emne-modelleringDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →