แบบจำลองหัวข้อ NMF
Non-negative Matrix Factorization (NMF) เป็นวิธีการแยกเมทริกซ์แบบไม่มีการควบคุมดูแล (unsupervised) ที่ค้นพบหัวข้อแฝง (latent topics) ในคลังข้อความ (text corpus) โดยการแยกเมทริกซ์เอกสาร-คำ (document-term matrix) ออกเป็นเมทริกซ์ที่ไม่เป็นลบสองเมทริกซ์ — เมทริกซ์หนึ่งเข้ารหัสค่าน้ำหนักหัวข้อ-คำ (topic-word weights) และอีกเมทริกซ์หนึ่งเข้ารหัสค่าน้ำหนักเอกสาร-หัวข้อ (document-topic weights) ข้อจำกัดเรื่องค่าไม่เป็นลบทำให้เกิดการแสดงผลแบบส่วนประกอบ (parts-based) และแบบบวกสะสม (additive) ซึ่งมักจะให้หัวข้อที่ชัดเจนและตีความได้ง่าย
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
+9 more
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 ↗
- Lee, D. D., & Seung, H. S. (2001). Algorithms for non-negative matrix factorization. In Advances in Neural Information Processing Systems (NIPS), 13, 556–562. link ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/th/deep-learning/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.
- การจำแนกประเภทโดยใช้ BERTการเรียนรู้เชิงลึก↔ compare
- แบบจำลองหัวข้อ LDAการเรียนรู้เชิงลึก↔ compare
- Sentence Embeddingsการเรียนรู้เชิงลึก↔ compare
- การสร้างแบบจำลองหัวข้อ (Topic Modeling)การเรียนรู้เชิงลึก↔ compare