แบบจำลองหัวข้อ NMF แบบกึ่งกำกับดูแล
แบบจำลองหัวข้อ Non-negative Matrix Factorization (NMF) แบบกึ่งกำกับดูแล (Semi-supervised NMF Topic Model) เป็นการขยาย NMF แบบไม่มีการกำกับดูแล (unsupervised NMF) โดยการรวมคำหลัก (seed words) ที่ผู้ใช้กำหนด หรือข้อจำกัดของป้ายกำกับ (label constraints) เพื่อชี้นำหัวข้อที่ค้นพบให้เข้าใกล้ธีมที่เกี่ยวข้องกับโดเมน แบบจำลองนี้แยกตัวประกอบเมทริกซ์เอกสาร-คำศัพท์ (document-term matrix) ออกเป็นส่วนประกอบที่ไม่เป็นลบ (non-negative components) ที่สามารถตีความได้ โดยยังคงรักษาความรู้เบื้องต้นเกี่ยวกับคำศัพท์ (lexical priors) ทำให้ได้หัวข้อที่สอดคล้องกันและสอดคล้องกับการประยุกต์ใช้ แม้จากคลังข้อมูลขนาดเล็ก
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Lee, D. D., & Seung, H. S. (2001). Algorithms for non-negative matrix factorization. Advances in Neural Information Processing Systems, 13, 556–562. link ↗
- Jagarlamudi, J., Daume, H., & Udupa, R. (2012). Incorporating lexical priors into topic models. Proceedings of the 13th Conference of the European Chapter of the Association for Computational Linguistics (EACL 2012), 204–213. link ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Semi-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/th/deep-learning/semi-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.
- แบบจำลองหัวข้อ LDAการเรียนรู้เชิงลึก↔ compare
- แบบจำลองหัวข้อ NMFการเรียนรู้เชิงลึก↔ compare
- แบบจำลองหัวข้อ LDA แบบกึ่งมีผู้สอน (Semi-supervised LDA Topic Model)การเรียนรู้เชิงลึก↔ compare
- Transformer แบบกึ่งกำกับดูแลการเรียนรู้เชิงลึก↔ compare
- Sentence Embeddingsการเรียนรู้เชิงลึก↔ compare
- การสร้างแบบจำลองหัวข้อ (Topic Modeling)การเรียนรู้เชิงลึก↔ compare