Półnadzorowany model tematyczny NMF
Półnadzorowany NMF (Non-negative Matrix Factorization) jest rozszerzeniem NMF bez nadzoru, które wykorzystuje dostarczone przez użytkownika słowa kluczowe (seed words) lub ograniczenia etykietowe, aby ukierunkować odkrywane tematy na motywy istotne dla danej dziedziny. Rozkłada on macierz dokument-termin na interpretowalne, nieujemne komponenty, respektując przy tym aprioryczne informacje leksykalne, co prowadzi do spójnych, dopasowanych do zastosowania tematów, nawet przy skromnych korpusach.
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
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Semi-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/pl/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.
- Model tematyczny LDAUczenie głębokie↔ compare
- Model tematyczny NMFUczenie głębokie↔ compare
- Półnadzorowany model tematyczny LDAUczenie głębokie↔ compare
- Transformery z uczeniem półnadzorowanymUczenie głębokie↔ compare
- Osadzanie zdańUczenie głębokie↔ compare
- Modelowanie tematówUczenie głębokie↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →