NMF emnemodellering
NMF emnemodellering bruker Non-negative Matrix Factorization — den delbaserte dekomposisjonen introdusert av Lee og Seung (1999) — for å trekke ut dokument-emne-fordelinger fra et korpus. Ved å faktorisere en dokument-term-matrise til to ikke-negative matriser, gjenvinner den et lite sett med emner og har en tendens til å produsere mer tolkbare emner enn LDA.
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, 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 1). Topic Modeling with Non-negative Matrix Factorization. ScholarGate. https://scholargate.app/no/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 EmbeddingsTekstutvinning↔ compare
- BERTopicTekstutvinning↔ compare
- DokumentklyngingTekstutvinning↔ compare
- TF-IDFTekstutvinning↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →