Самокерований тематичний модель NMF
Самокерований тематичний модель NMF розширює класичну невід'ємну матричну факторизацію (NMF) для виявлення тем, включаючи самокеровані навчальні сигнали — такі як реконструкція маскованих слів або контрастивні цілі — в оптимізацію NMF, що дає більш узгоджені та семантично значущі теми з текстових корпусів без необхідності будь-яких людських міток даних.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Self-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/uk/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.
- Розподіл Діріхле для прихованих тем (LDA)Машинне навчання↔ compare
- Негативне матричне розкладання (NMF)Машинне навчання↔ compare
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →