Model samostalnog nadzora NMF za tematsko modelovanje
Model samostalnog nadzora NMF proširuje klasičnuНеотрицателну матричну факторизацију (Non-negative Matrix Factorization – NMF) za otkrivanje tema ugrađivanjem самонадгледаних сигнала за учење — као што су реконструкција маскираних речи или контрастивни циљеви — у NMF оптимизацију, дајући кохерентније и семантички значајније теме из текстуалних корпуса без потребе за подацима означеним од стране човека.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Self-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/sr/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.
- Latent Dirichlet Allocation (LDA)Mašinsko učenje↔ compare
- Негативна матрична факторизација (NMF)Mašinsko učenje↔ compare
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →