Modelo de Tópicos NMF Semi-supervisionado
O Modelo de Tópicos por Fatoração de Matriz Não-Negativa (NMF) Semi-supervisionado estende o NMF não-supervisionado ao incorporar palavras-semente ou restrições de rótulo fornecidas pelo usuário para direcionar os tópicos descobertos para temas relevantes ao domínio. Ele fatoriza uma matriz documento-termo em componentes não-negativos interpretáveis, respeitando prioris lexicais, resultando em tópicos coerentes e alinhados à aplicação, mesmo a partir de corpora modestos.
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
- Lee, D. D., & Seung, H. S. (2001). Algorithms for non-negative matrix factorization. Advances in Neural Information Processing Systems, 13, 556–562. link ↗
- Jagarlamudi, J., Daume, H., & Udupa, R. (2012). Incorporating lexical priors into topic models. Proceedings of the 13th Conference of the European Chapter of the Association for Computational Linguistics (EACL 2012), 204–213. link ↗
Como citar esta página
ScholarGate. (2026, June 3). Semi-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/pt/deep-learning/semi-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.
- Modelo de Tópicos LDAAprendizado profundo↔ compare
- Modelo de Tópicos NMFAprendizado profundo↔ compare
- Modelo de Tópicos LDA Semi-supervisionadoAprendizado profundo↔ compare
- Transformador SemissupervisionadoAprendizado profundo↔ compare
- Embeddings de SentençasAprendizado profundo↔ compare
- Modelagem de TópicosAprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →