NMF ämnesmodellering
NMF ämnesmodellering använder Non-negative Matrix Factorization – den delbaserade dekompositionen som introducerades av Lee och Seung (1999) – för att extrahera dokument-ämnesspridningar från ett korpus. Genom att faktorisera en dokument-term-matris till två icke-negativa matriser, återhämtar den en liten uppsättning ämnen och tenderar att producera mer tolkningsbara ämnen än LDA.
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, 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 1). Topic Modeling with Non-negative Matrix Factorization. ScholarGate. https://scholargate.app/sv/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-inbäddningarTextutvinning↔ compare
- BERTopicTextutvinning↔ compare
- DokumentklustringTextutvinning↔ compare
- TF-IDFTextutvinning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →