Тематическая модель NMF с самоконтролем
Тематическая модель NMF с самоконтролем (Self-supervised NMF Topic Model) расширяет классическую неотрицательную матричную факторизацию (NMF) для обнаружения тем за счет включения сигналов самоконтролируемого обучения — таких как реконструкция маскированных слов или контрастивные цели — в оптимизацию NMF, что позволяет получать более когерентные и семантически значимые темы из текстовых корпусов без необходимости использования данных, размеченных человеком.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Self-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/ru/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.
- Латентное размещение Дирихле (LDA)Машинное обучение↔ compare
- Неотрицательное матричное разложение (NMF)Машинное обучение↔ compare
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →