NMF Topic Model
NMF (Non-negative Matrix Factorization) je metoda nenadgledane dekompozicije matrica koja otkriva latentne teme u korpusu teksta faktorizacijom matrice dokument-vokabular na dve nenegativne matrice — jednu koja kodira težine tema-reči, a drugu težine dokument-tema. Ograničenje nenegativnosti daje aditivne reprezentacije zasnovane na delovima koje teže da proizvedu čiste, interpretativne teme.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
+9 more
Izvori
- 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 ↗
- Lee, D. D., & Seung, H. S. (2001). Algorithms for non-negative matrix factorization. In Advances in Neural Information Processing Systems (NIPS), 13, 556–562. link ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/sr/deep-learning/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.
- BERT-based ClassificationDuboko učenje↔ compare
- LDA modelovanje temaDuboko učenje↔ compare
- Ugrađivanje rečenicaDuboko učenje↔ compare
- Modeliranje temaDuboko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →