Model de subiecte NMF adaptiv la domeniu
Modelarea subiectelor NMF adaptivă la domeniu aplică Factorizarea Matriceală Non-negativă (NMF) pentru a descoperi subiecte latente în texte din domenii multiple, utilizând regularizarea sau constrângeri de bază partajate pentru a transfera cunoștințele despre subiecte dintr-un domeniu sursă bogat în resurse către un domeniu țintă cu date etichetate limitate. Aceasta combină descompunerea bazată pe părți, interpretabilă, cu obiective de adaptare la domeniu pentru a produce subiecte care sunt atât specifice domeniului, cât și consistente între domenii.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Harta metodelor
Vecinătatea metodelor înrudite — selectați un nod pentru a explora.
Surse
- 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 ↗
- Non-negative matrix factorization. Wikipedia. link ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Domain-Adaptive Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/ro/deep-learning/domain-adaptive-nmf-topic-model
Ce metodă?
Așezați această metodă lângă cele mai apropiate rude și citiți-le alăturat — biblioteca pune cărțile pe masă; alegerea vă aparține.
- Model de Subiecte LDAÎnvățare profundă↔ compară
- Model de Topic NMFÎnvățare profundă↔ compară
- Modelarea tematicăÎnvățare profundă↔ compară
- Învățare prin transfer cu model de topicuri NMFÎnvățare profundă↔ compară
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →