Тематическая модель NMF с адаптацией к предметной области
Тематическое моделирование на основе неотрицательной матричной факторизации (NMF) с адаптацией к предметной области применяет NMF для выявления скрытых тем в текстах из нескольких предметных областей, используя регуляризацию или ограничения на общие базисы для переноса тематических знаний из богатой ресурсами исходной области в целевую область с ограниченными размеченными данными. Оно сочетает интерпретируемое разложение на основе частей с целями адаптации к предметной области для получения тем, которые являются одновременно специфичными для предметной области и кросс-доменно согласованными.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Domain-Adaptive Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/ru/deep-learning/domain-adaptive-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.
- Тематическая модель LDAГлубокое обучение↔ compare
- Тематическая модель NMFГлубокое обучение↔ compare
- Тематическое моделированиеГлубокое обучение↔ compare
- Трансферное обучение с тематической моделью NMFГлубокое обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →