Modelo de Tópicos NMF
A Fatoração de Matrizes Não Negativas (NMF) é um método de decomposição de matrizes não supervisionado que descobre tópicos latentes em um corpus de texto, fatorando uma matriz documento-termo em duas matrizes não negativas — uma codificando pesos tópico-palavra, a outra pesos documento-tópico. A restrição de não negatividade gera representações aditivas e baseadas em partes que tendem a produzir tópicos limpos e interpretáveis.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
+9 more
Fontes
- 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 ↗
- Lee, D. D., & Seung, H. S. (2001). Algorithms for non-negative matrix factorization. In Advances in Neural Information Processing Systems (NIPS), 13, 556–562. link ↗
Como citar esta página
ScholarGate. (2026, June 3). Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/pt/deep-learning/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.
- Classificação baseada em BERTAprendizado profundo↔ compare
- Modelo de Tópicos LDAAprendizado profundo↔ compare
- Embeddings de SentençasAprendizado profundo↔ compare
- Modelagem de TópicosAprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →