Напівкерований тематичний модель NMF
Напівкерований тематичний модель на основі невід'ємної матричної факторизації (NMF) розширює можливості некерованого NMF шляхом включення наданих користувачем ключових слів або обмежень на мітки для спрямування виявлених тем до тематично релевантних напрямків. Він факторизує матрицю «документ-термін» на інтерпретовані невід'ємні компоненти, дотримуючись лексичних апріорних знань, що призводить до узгоджених, відповідних застосуванню тем навіть із невеликих корпусів.
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
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Semi-supervised Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/uk/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.
- Тематична модель LDAГлибоке навчання↔ compare
- Тема моделі NMFГлибоке навчання↔ compare
- Напівкерована модель тем LDAГлибоке навчання↔ compare
- Трансформер із напівкерованим навчаннямГлибоке навчання↔ compare
- Векторні представлення реченьГлибоке навчання↔ compare
- Тематичне моделюванняГлибоке навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →