แบบจำลองหัวข้อ NMF แบบปรับตัวตามโดเมน
แบบจำลองหัวข้อ NMF แบบปรับตัวตามโดเมน (Domain-adaptive NMF Topic Model) ประยุกต์ใช้การแยกตัวประกอบเมทริกซ์แบบไม่ติดลบ (Non-negative Matrix Factorization - NMF) เพื่อค้นหาหัวข้อแฝง (latent topics) ในข้อความจากหลายโดเมน โดยใช้การทำให้เป็นระเบียบ (regularization) หรือข้อจำกัดของฐานร่วม (shared basis constraints) เพื่อถ่ายทอดความรู้เกี่ยวกับหัวข้อจากโดเมนต้นทางที่มีทรัพยากรมากไปยังโดเมนเป้าหมายที่มีข้อมูลกำกับน้อย เป็นการผสมผสานการแยกส่วนที่ตีความได้ (interpretable parts-based decomposition) เข้ากับวัตถุประสงค์ของการปรับตัวตามโดเมน เพื่อสร้างหัวข้อที่เฉพาะเจาะจงกับโดเมนและสอดคล้องกันข้ามโดเมน
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Lee, D. D., & Seung, H. S. (1999). Learning the parts of objects by non-negative matrix factorization. Nature, 401(6755), 788–791. DOI: 10.1038/44565 ↗
- Non-negative matrix factorization. Wikipedia. link ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Domain-Adaptive Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/th/deep-learning/domain-adaptive-nmf-topic-model
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.
- แบบจำลองหัวข้อ LDAการเรียนรู้เชิงลึก↔ compare
- แบบจำลองหัวข้อ NMFการเรียนรู้เชิงลึก↔ compare
- การสร้างแบบจำลองหัวข้อ (Topic Modeling)การเรียนรู้เชิงลึก↔ compare
- การเรียนรู้แบบถ่ายโอนด้วยแบบจำลองหัวข้อ NMFการเรียนรู้เชิงลึก↔ compare