Тематическая модель NMF с частичным обучением
Тематическая модель на основе неотрицательной матричной факторизации (NMF) с частичным обучением расширяет возможности NMF без учителя за счет включения предоставленных пользователем ключевых слов или ограничений меток для направления обнаруженных тем к релевантным предметным областям. Она факторизует матрицу «документ-термин» на интерпретируемые неотрицательные компоненты, соблюдая при этом лексические априорные данные, что позволяет получать когерентные, соответствующие приложению темы даже из скромных корпусов.
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. (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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Semi-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/ru/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.
- Тематическая модель LDAГлубокое обучение↔ compare
- Тематическая модель NMFГлубокое обучение↔ compare
- Модель тематического моделирования с частичной разметкой на основе ЛДАГлубокое обучение↔ compare
- Трансформер с полуавтоматическим обучениемГлубокое обучение↔ compare
- Векторные представления предложенийГлубокое обучение↔ compare
- Тематическое моделированиеГлубокое обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →