Modelagem de Tópicos por Fatoração de Matriz Não-Negativa (NMF)
A modelagem de tópicos por NMF utiliza a Fatoração de Matriz Não-Negativa — a decomposição baseada em partes introduzida por Lee e Seung (1999) — para extrair distribuições documento-tópico de um corpus. Ao fatorar uma matriz documento-termo em duas matrizes não-negativas, ela recupera um pequeno conjunto de tópicos e tende a produzir tópicos mais interpretáveis que o LDA.
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. (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 ↗
Como citar esta página
ScholarGate. (2026, June 1). Topic Modeling with Non-negative Matrix Factorization. ScholarGate. https://scholargate.app/pt/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.
- Embeddings BERTMineração de texto↔ compare
- BERTopicMineração de texto↔ compare
- Agrupamento de DocumentosMineração de texto↔ compare
- TF-IDFMineração de texto↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →