Självövervakat NMF-ämnesmodell
Den självövervakade NMF-ämnesmodellen (Self-supervised NMF Topic Model) utökar klassisk icke-negativ matris-faktorisering (Non-negative Matrix Factorization, NMF) för ämnesupptäckt genom att införliva självövervakade inlärningssignaler – såsom maskerad ordrekonstruktion eller kontrastiva mål – i NMF-optimeringen. Detta ger mer koherenta och semantiskt meningsfulla ämnen från textkorpusar utan att kräva några mänskligt märkta data.
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
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Self-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/sv/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)Maskininlärning↔ compare
- Icke-negativ matris-faktorisering (NMF)Maskininlärning↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →