NMF modeliranje tema
NMF modeliranje tema koristi nenegativnu faktorizaciju matrice (Non-negative Matrix Factorization — NMF) — dekompoziciju zasnovanu na delovima koju su uveli Lee i Seung (1999) — za ekstrakciju distribucija dokumenata i tema iz korpusa. Faktorizacijom matrice dokumenata i termina na dve nenegativne matrice, ona povlači mali skup tema i teži da proizvede interpretativnije teme od LDA.
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. (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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 1). Topic Modeling with Non-negative Matrix Factorization. ScholarGate. https://scholargate.app/sr/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.
- BERT EmbeddingsRudarenje teksta↔ compare
- BERTopicRudarenje teksta↔ compare
- Grupisanje dokumenataRudarenje teksta↔ compare
- TF-IDFRudarenje teksta↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →