Тематическое моделирование на основе НМФ
Тематическое моделирование на основе НМФ (NMF topic modeling) использует неотрицательное матричное разложение — разложение на составляющие, представленное Ли и Сингом (Lee and Seung, 1999) — для извлечения распределений документов по темам из корпуса. Разлагая матрицу «документ-терм» на две неотрицательные матрицы, метод восстанавливает небольшое количество тем и, как правило, производит более интерпретируемые темы, чем LDA.
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, 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 1). Topic Modeling with Non-negative Matrix Factorization. ScholarGate. https://scholargate.app/ru/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.
- Векторные представления BERTИнтеллектуальный анализ текста↔ compare
- BERTopicИнтеллектуальный анализ текста↔ compare
- Кластеризация документовИнтеллектуальный анализ текста↔ compare
- TF-IDFИнтеллектуальный анализ текста↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →