Model de subiecte semi-supervizat prin factorizare matricială nenegativă (NMF)
Modelul de subiecte semi-supervizat prin factorizare matricială nenegativă (NMF) extinde NMF nesupervizat prin încorporarea de cuvinte-sămânță sau constrângeri de etichetă furnizate de utilizator pentru a direcționa subiectele descoperite către teme relevante domeniului. Acesta factorizează o matrice document-termen în componente nenegative interpretabile, respectând în același timp priorii lexicale, generând subiecte coerente și aliniate aplicației, chiar și din corpusuri modeste.
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
- 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Semi-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/ro/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.
- Model de Subiecte LDAÎnvățare profundă↔ compare
- Model de Topic NMFÎnvățare profundă↔ compare
- Modelare de subiecte LDA semi-supervizatăÎnvățare profundă↔ compare
- Transformer semi-supervizatÎnvățare profundă↔ compare
- Embeddings de propozițiiÎnvățare profundă↔ compare
- Modelarea tematicăÎnvățare profundă↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →