Zapis dowodowy metody
NMF Topic Modeling
NMF topic modeling uses Non-negative Matrix Factorization — the parts-based decomposition introduced by Lee and Seung (1999) — to extract document-topic distributions from a corpus. By factoring a document-term matrix into two non-negative matrices, it recovers a small set of topics and tends to produce more interpretable topics than LDA.
Zapis źródłowy
Cytaty skopiowane dosłownie z zapisu źródłowego metody. Nie należy z nich wywnioskować weryfikacji na poziomie twierdzenia.
Topic Modeling with Non-negative Matrix Factorization
Taksonomiczny zapis metody · process-pipeline / text-mining
- 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. · URL
Wyselekcjonowane twierdzenia
Twierdzenia utrwalone w rejestrze dowodowym, każde z własną oceną.
Brak wyselekcjonowanych twierdzeń
Ten widok nie tworzy oceny twierdzenia, jeśli rejestr jej nie zawiera.
Powiązane metody
Wygenerowane z grafu metod i pokazane jako sugerowane przez maszynę powiązania — nie należy z nich wywnioskować twierdzenia dowodowego.