Modelul de topicuri NMF cu auto-supervizare
Modelul de topicuri NMF cu auto-supervizare extinde Factorizarea Matriceală Non-negativă clasică (NMF) pentru descoperirea de topicuri prin încorporarea semnalelor de învățare auto-supervizată — cum ar fi reconstrucția cuvintelor mascate sau obiectivele contrastive — în optimizarea NMF, rezultând topicuri mai coerente și mai semnificative semantic din corpusuri de text, fără a necesita date etichetate de către oameni.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Self-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/ro/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.
- Latent Dirichlet Allocation (LDA)Învățare automată↔ compare
- Factorizare matricială non-negativă (NMF)Învățare automată↔ compare
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →