Modelo de Tópicos NMF Auto-supervisionado
O Modelo de Tópicos NMF Auto-supervisionado estende a Fatoração de Matrizes Não-negativas (NMF) clássica para descoberta de tópicos, incorporando sinais de aprendizado auto-supervisionado — como reconstrução de palavras mascaradas ou objetivos contrastivos — na otimização da NMF, gerando tópicos mais coerentes e semanticamente significativos a partir de corpora de texto sem exigir dados rotulados por humanos.
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.
Fontes
- Shi, T., Guo, X., Lv, J., & Yu, P. S. (2022). Self-supervised NMF-based graph contrastive learning for semi-supervised node classification. In Proceedings of the 36th AAAI Conference on Artificial Intelligence. link ↗
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Self-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/pt/deep-learning/self-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.
- Alocação de Dirichlet Latente (LDA)Aprendizado de máquina↔ compare
- Fatoração de Matriz Não-Negativa (NMF)Aprendizado de máquina↔ compare
Encontrou um problema nesta página? Relate ou sugira uma correção →