Halvövervakad NMF-ämne modell
Halvövervakad Non-negative Matrix Factorization (NMF) ämnesmodell utökar oövervakad NMF genom att införliva användargivna startord eller etikettbegränsningar för att styra upptäckta ämnen mot domänspecifika teman. Den faktoriserar en dokument-ordmatris till tolkningsbara icke-negativa komponenter samtidigt som den respekterar lexikala priori, vilket ger sammanhängande, applikationsanpassade ämnen även från blygsamma korpusar.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Metodkarta
Närområdet av besläktade metoder — välj en nod för att utforska.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Semi-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/sv/deep-learning/semi-supervised-nmf-topic-model
Vilken metod?
Placera den här metoden bredvid sina närmaste släktingar och läs dem sida vid sida — biblioteket lägger fram böckerna på bordet; valet är ditt.
- LDA-ämnesmodell (LDA Topic Model)Djupinlärning↔ jämför
- NMF ÄmnesmodellDjupinlärning↔ jämför
- Semi-supervised LDA Topic ModelDjupinlärning↔ jämför
- Semi-supervised TransformerDjupinlärning↔ jämför
- MeningsinbäddningarDjupinlärning↔ jämför
- ÄmnesmodelleringDjupinlärning↔ jämför
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →