เปรียบเทียบวิธี

	การสร้างแบบจำลองหัวข้อแบบหลายภาษา	แบบจำลองหัวข้อ NMF
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2009	1999
ผู้ริเริ่ม	Mimno, D., Wallach, H. M., et al.	Lee, D. D. & Seung, H. S.
ประเภท	Probabilistic topic model (multilingual extension)	Matrix factorization / unsupervised topic model
แหล่งต้นตำรับ	Mimno, D., Wallach, H. M., Naradowsky, J., Smith, D. A., & McCallum, A. (2009). Polylingual topic models. In Proceedings of the 2009 Conference on Empirical Methods in Natural Language Processing (EMNLP), pp. 880–889. ACL.	Lee, D. D., & Seung, H. S. (1999). Learning the parts of objects by non-negative matrix factorization. Nature, 401(6755), 788–791.
ชื่อเรียกอื่น	cross-lingual topic model, polylingual LDA, multilingual LDA, MLTM	NMF, Non-negative Matrix Factorization, NMF for Topic Modeling, NNMF Topic Model
ที่เกี่ยวข้อง	5	4
สรุป	Multilingual topic modeling extends probabilistic topic models such as LDA to corpora spanning two or more languages, inferring shared latent topics across language boundaries. By tying topic distributions across languages, it enables cross-lingual document analysis, comparable topic discovery, and information retrieval without requiring full parallel corpora.	Non-negative Matrix Factorization (NMF) is an unsupervised matrix decomposition method that discovers latent topics in a text corpus by factoring a document-term matrix into two non-negative matrices — one encoding topic-word weights, the other document-topic weights. The non-negativity constraint yields parts-based, additive representations that tend to produce clean, interpretable topics.