Polu-nadgledani NMF model tema
Polu-nadgledani model tema zasnovan na ne-negativnoj faktorizaciji matrica (NMF) proširuje nenadgledani NMF uključivanjem korisnički datih početnih reči ili ograničenja oznaka kako bi se otkrivene teme usmerile ka domen-relevantnim konceptima. On faktorizuje matricu dokument-pojam u interpretativne ne-negativne komponente, poštujući leksičke apriorne vrednosti, dajući koherentne, aplikaciono usklađene teme čak i iz skromnih korpusa.
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
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Semi-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/sr/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.
- LDA modelovanje temaDuboko učenje↔ compare
- NMF Topic ModelDuboko učenje↔ compare
- Полунадгледани LDA модел темаDuboko učenje↔ compare
- Полу-надгледани ТрансформерDuboko učenje↔ compare
- Ugrađivanje rečenicaDuboko učenje↔ compare
- Modeliranje temaDuboko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →