Polosupervizované NMF tématický model
Poloautomatický model NMF (Non-negative Matrix Factorization) rozširuje neřízené NMF o začlenenie používateľom poskytnutých počiatočných slov alebo obmedzení štítkov s cieľom nasmerovať objavené témy k doménovo relevantným témam. Faktorizuje maticu dokumentov a slov na interpretovateľné nezáporné komponenty pri rešpektovaní lexikálnych priorov, čím poskytuje koherentné témy zosúladené s aplikáciou aj z miernych korpusov.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Semi-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/sk/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.
- Model topicov LDAHlboké učenie↔ compare
- NMF Topic ModelHlboké učenie↔ compare
- Polo-dohľadový LDA model témHlboké učenie↔ compare
- Polosamoučený TransformerHlboké učenie↔ compare
- Vektorové reprezentácie vietHlboké učenie↔ compare
- Modelovanie témHlboké učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →