เปรียบเทียบวิธี

	การสกัดคำสำคัญ	การสร้างหัวข้อด้วย NMF
สาขาวิชา	การทำเหมืองข้อความ	การทำเหมืองข้อความ
ตระกูล	Process / pipeline	Process / pipeline
ปีกำเนิด	—	1999
ผู้ริเริ่ม	—	Lee & Seung
ประเภท	NLP text-mining task	Matrix-factorization topic model
แหล่งต้นตำรับ	Mihalcea, R. & Tarau, P. (2004). TextRank: Bringing Order into Texts. EMNLP, 404-411.	Lee, D.D. & Seung, H.S. (1999). Learning the Parts of Objects by Non-negative Matrix Factorization. Nature, 401, 788-791.
ชื่อเรียกอื่น	keyphrase extraction, key term extraction, Anahtar Kelime Çıkarma (Keyword Extraction)	non-negative matrix factorization topic modeling, NMF topics, Konu Modelleme — NMF
ที่เกี่ยวข้อง	4	4
สรุป	Keyword extraction is a natural-language-processing task that automatically identifies the words or phrases that best represent the content of a document. It turns a body of free text into a compact, ranked list of key terms, drawing on statistical, graph-based methods such as TextRank (Mihalcea & Tarau, 2004), or embedding-based methods such as KeyBERT (Grootendorst, 2020).	NMF topic modeling uses Non-negative Matrix Factorization — the parts-based decomposition introduced by Lee and Seung (1999) — to extract document-topic distributions from a corpus. By factoring a document-term matrix into two non-negative matrices, it recovers a small set of topics and tends to produce more interpretable topics than LDA.