Modelowanie tematyczne NMF
Modelowanie tematyczne NMF wykorzystuje Niezujemną Faktoryzację Macierzy (ang. Non-negative Matrix Factorization, NMF) — dekompozycję opartą na częściach, wprowadzoną przez Lee i Seunga (1999) — do ekstrakcji rozkładów dokument-temat z korpusu. Poprzez faktoryzację macierzy dokument-termin na dwie niezujemne macierze, odzyskuje niewielki zestaw tematów i zazwyczaj generuje tematy bardziej interpretowalne niż LDA.
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. (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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 1). Topic Modeling with Non-negative Matrix Factorization. ScholarGate. https://scholargate.app/pl/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.
- Osadzenia BERTEksploracja tekstu↔ compare
- BERTopicEksploracja tekstu↔ compare
- Grupowanie dokumentówEksploracja tekstu↔ compare
- TF-IDFEksploracja tekstu↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →