• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>International conference on Asian language processing >The singular value decomposition-based anchor word selection method for separable nonnegative matrix factorization
【24h】

The singular value decomposition-based anchor word selection method for separable nonnegative matrix factorization

机译：可分离非负矩阵分解的基于奇异值分解的锚词选择方法

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

One of the recent methods for the topic modeling is separable nonnegative matrix factorization (SNMF). In general, SNMF consists of three main steps, which are, generating a word co-occurrence matrix, selecting anchor words, and recovering a topic matrix. The anchor words strongly influence the interpretability of extracted topics. In this paper, we propose a new method for selecting the anchor words by using singular value decomposition (SVD). We assume that the most dominant words in each latent semantics created by SVD are the potential candidates for the anchor words. Our simulations show that the SVD-based anchor word selection method can reach better interpretability scores of extracted topics than the common convex hull-based method on two of three datasets.
机译：用于主题建模的最新方法之一是可分离的非负矩阵分解（SNMF）。通常，SNMF包括三个主要步骤，即生成单词共现矩阵，选择锚定单词和恢复主题矩阵。锚词强烈影响所提取主题的可解释性。在本文中，我们提出了一种使用奇异值分解（SVD）来选择锚词的新方法。我们假设SVD创建的每个潜在语义中最主要的单词是锚定单词的潜在候选者。我们的仿真表明，在三个数据集中的两个数据集上，基于SVD的锚词选择方法比基于通用凸包的方法能够获得更好的解释性得分。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号