Model tematyczny NMF z uczeniem samonadzorowanym
Model tematyczny NMF z uczeniem samonadzorowanym rozszerza klasyczną faktoryzację macierzy nieujemnych (Non-negative Matrix Factorization, NMF) na potrzeby odkrywania tematów poprzez włączenie sygnałów uczenia samonadzorowanego – takich jak rekonstrukcja zamaskowanych słów czy cele kontrastowe – do optymalizacji NMF, co pozwala uzyskać bardziej spójne i znaczeniowo bogate tematy z korpusów tekstowych bez potrzeby stosowania danych etykietowanych przez człowieka.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Self-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/pl/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.
- Rozkład Dirichleta (LDA)Uczenie maszynowe↔ compare
- NMF (Non-negative Matrix Factorization)Uczenie maszynowe↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →