Тематичне моделювання NMF
Тематичне моделювання NMF використовує невід’ємну матричну факторизацію (Non-negative Matrix Factorization) — розклад на основі частин, запроваджений Лі та Сингом (Lee and Seung, 1999) — для вилучення розподілів "документ-тема" з корпусу. Факторизуючи матрицю "документ-термін" на дві невід’ємні матриці, вона відновлює невеликий набір тем і, як правило, створює більш інтерпретовані теми, ніж LDA.
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. (1999). Learning the Parts of Objects by Non-negative Matrix Factorization. Nature, 401, 788-791. DOI: 10.1038/44565 ↗
- Arora, S., Ge, R., Halpern, Y., Mimno, D., Moitra, A., Sontag, D., Wu, Y. & Zhu, M. (2013). A Practical Algorithm for Topic Modeling with Provable Guarantees. Proceedings of the 30th International Conference on Machine Learning (ICML), 280-288. link ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 1). Topic Modeling with Non-negative Matrix Factorization. ScholarGate. https://scholargate.app/uk/text-mining/topic-modeling-nmf
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.
- BERT EmbeddingsІнтелектуальний аналіз тексту↔ compare
- BERTopicІнтелектуальний аналіз тексту↔ compare
- Кластеризація документівІнтелектуальний аналіз тексту↔ compare
- TF-IDFІнтелектуальний аналіз тексту↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →