NMF Ämnesmodell
Icke-negativ matris-faktorisering (NMF) är en oövervakad matrisdekomponeringsmetod som upptäcker latenta ämnen i ett textkorpus genom att faktorisera en dokument-termatris i två icke-negativa matriser – en som kodar ämnes-ordsvikter, den andra dokument-ämnesvikter. Icke-negativitetsvillkoret ger del-baserade, additiva representationer som tenderar att producera rena, tolkningsbara ämnen.
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.
+9 more
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 ↗
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/sv/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-baserad klassificeringDjupinlärning↔ compare
- LDA-ämnesmodell (LDA Topic Model)Djupinlärning↔ compare
- MeningsinbäddningarDjupinlärning↔ compare
- ÄmnesmodelleringDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →