Domänadaptiv NMF-ämnessmodell
Domänadaptiv NMF-ämnessmodellering tillämpar icke-negativ matris-faktorisering (NMF) för att upptäcka latenta ämnen i text från flera domäner, med hjälp av regularisering eller gemensamma bas-begränsningar för att överföra ämneskunskap från en resursrik källdomän till en måldomän med begränsad märkt data. Den kombinerar tolkningsbar delbaserad dekomposition med domänanpassningsmål för att producera ämnen som är både domänspecifika och domänövergripande konsekventa.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
- Non-negative matrix factorization. Wikipedia. link ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Domain-Adaptive Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/sv/deep-learning/domain-adaptive-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-ämnesmodell (LDA Topic Model)Djupinlärning↔ compare
- NMF ÄmnesmodellDjupinlärning↔ compare
- ÄmnesmodelleringDjupinlärning↔ compare
- Överföringsinlärning med NMF-ämnesmodellDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →