Transfer Learning z NMF Topic Model
Transfer Learning z NMF Topic Model wykorzystuje wiedzę z oznaczonej lub bogatej w dane domeny źródłowej, aby poprawić odkrywanie tematów w NMF (Non-Negative Matrix Factorization) w docelowej domenie o niskich zasobach. Poprzez inicjalizację lub ograniczenie macierzy bazowej NMF tematami z domeny źródłowej, model odkrywa spójne tematy docelowe, nawet gdy dokumenty w domenie docelowej są nieliczne lub nieoznaczone.
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
- Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359. DOI: 10.1109/TKDE.2009.191 ↗
- 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). Transfer Learning with Non-Negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/pl/deep-learning/transfer-learning-with-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.
- Adaptacyjne modelowanie tematów NMFUczenie głębokie↔ compare
- Model tematyczny LDAUczenie głębokie↔ compare
- Model tematyczny NMFUczenie głębokie↔ compare
- Modelowanie tematówUczenie głębokie↔ compare
- Transfer Learning with LDA Topic ModelUczenie głębokie↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →