Modelarea de subiecte NMF
Modelarea de subiecte NMF utilizează Factorizarea Matriceală Non-negativă (Non-negative Matrix Factorization – NMF) — descompunerea bazată pe părți introdusă de Lee și Seung (1999) — pentru a extrage distribuțiile document-subiect dintr-un corpus. Prin factorizarea unei matrici document-termen în două matrici non-negative, aceasta recuperează un set mic de subiecte și tinde să producă subiecte mai interpretabile decât LDA.
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. (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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 1). Topic Modeling with Non-negative Matrix Factorization. ScholarGate. https://scholargate.app/ro/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 BERTMineritul textelor↔ compare
- BERTopicMineritul textelor↔ compare
- Clustering de documenteMineritul textelor↔ compare
- TF-IDFMineritul textelor↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →