เปรียบเทียบวิธี

	การสร้างหัวข้อด้วย NMF	TF-IDF
สาขาวิชา	การทำเหมืองข้อความ	การทำเหมืองข้อความ
ตระกูล	Process / pipeline	Process / pipeline
ปีกำเนิด	1999	1988
ผู้ริเริ่ม	Lee & Seung	Salton & Buckley
ประเภท	Matrix-factorization topic model	Text vectorization / term-weighting scheme
แหล่งต้นตำรับ	Lee, D.D. & Seung, H.S. (1999). Learning the Parts of Objects by Non-negative Matrix Factorization. Nature, 401, 788-791.	Salton, G. & Buckley, C. (1988). Term-weighting approaches in automatic text retrieval. Information Processing & Management, 24(5), 513-523.
ชื่อเรียกอื่น	non-negative matrix factorization topic modeling, NMF topics, Konu Modelleme — NMF	term weighting, tf-idf weighting, TF-IDF Vektörizasyonu
ที่เกี่ยวข้อง	4	3
สรุป	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.	TF-IDF, introduced by Salton and Buckley (1988), is a term-weighting scheme that scores each word in a document by how often it appears there and how rare it is across the whole collection. It turns raw text into weighted document vectors, giving high weight to terms that are frequent in one document but uncommon elsewhere.