Тема моделі NMF
Невід'ємна матрична факторизація (NMF) — це метод некерованої матричної декомпозиції, який виявляє приховані теми в текстовому корпусі шляхом розкладання матриці «документ-слово» на дві невід'ємні матриці — одну, що кодує ваги тем-слів, а іншу — ваги документів-тем. Обмеження невід'ємності призводить до представлень, заснованих на частинах, адитивних, які, як правило, дають чисті, інтерпретовані теми.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
+9 more
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/uk/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.
- Класифікація на основі BERTГлибоке навчання↔ compare
- Тематична модель LDAГлибоке навчання↔ compare
- Векторні представлення реченьГлибоке навчання↔ compare
- Тематичне моделюванняГлибоке навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →