แบบจำลองหัวข้อ NMF แบบกำกับตนเอง
แบบจำลองหัวข้อ NMF แบบกำกับตนเอง (Self-supervised NMF Topic Model) เป็นการขยายแบบจำลองการแยกตัวประกอบเมทริกซ์แบบไม่เป็นลบ (Non-negative Matrix Factorization - NMF) แบบดั้งเดิมสำหรับการค้นหาหัวข้อ โดยการรวมสัญญาณการเรียนรู้แบบกำกับตนเอง เช่น การสร้างคำที่ถูกปิดบังใหม่ หรือวัตถุประสงค์แบบเปรียบต่าง เข้ากับการหาค่าเหมาะสมที่สุดของ NMF ซึ่งให้หัวข้อที่มีความสอดคล้องกันและมีความหมายเชิงความหมายมากขึ้นจากคลังข้อความ โดยไม่จำเป็นต้องใช้ข้อมูลที่มนุษย์ติดป้ายกำกับ
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Shi, T., Guo, X., Lv, J., & Yu, P. S. (2022). Self-supervised NMF-based graph contrastive learning for semi-supervised node classification. In Proceedings of the 36th AAAI Conference on Artificial Intelligence. link ↗
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Self-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/th/deep-learning/self-supervised-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.
- [NEEDS TRANSLATION]การเรียนรู้ของเครื่อง↔ compare
- การแยกตัวประกอบเมทริกซ์ไม่เป็นลบ (NMF)การเรียนรู้ของเครื่อง↔ compare