เปรียบเทียบวิธี

	การสร้างหัวข้อด้วย NMF	BERTopic
สาขาวิชา	การทำเหมืองข้อความ	การทำเหมืองข้อความ
ตระกูล	Process / pipeline	Process / pipeline
ปีกำเนิด	1999	2022
ผู้ริเริ่ม	Lee & Seung	Maarten Grootendorst
ประเภท	Matrix-factorization topic model	Neural topic-modeling pipeline
แหล่งต้นตำรับ	Lee, D.D. & Seung, H.S. (1999). Learning the Parts of Objects by Non-negative Matrix Factorization. Nature, 401, 788-791.	Grootendorst, M. (2022). BERTopic: Neural topic modeling with a class-based TF-IDF procedure. arXiv:2203.05794.
ชื่อเรียกอื่น	non-negative matrix factorization topic modeling, NMF topics, Konu Modelleme — NMF	neural topic modeling, transformer topic modeling, Konu Modelleme — BERTopic
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.	BERTopic is a neural topic-modeling pipeline introduced by Maarten Grootendorst in 2022. It combines BERT-based contextual embeddings with UMAP dimensionality reduction and HDBSCAN clustering to produce coherent, dynamic topics, achieving higher topic coherence than classic topic models.