NMF（non-negative matrix factorization）相關論文[1]

部分非負矩陣分解論文的總結，在做相關工作的童鞋的可以互相交流下~！

Guan N, Tao D, Luo Z, et al. Online non-negative matrix factorization with robust stochastic approximation[J]. IEEE Transactions on Neural Networks & Learning Systems, 2012, 23(7):1087.

Motivation：

由于NMF的分解過程需要将所有的資料集放在記憶體中，不适用于資料流的處理。該論文提出了一種高效的線上rsa-nmf算法，近似更新結果。

創新：

線上增量更新，對于l1-regularized and l2-regularized 也做了擴充。

理論性較強。實驗：人臉識别、圖像标注

Chen Y, Zhang H, Wu J, et al. Modeling Emerging, Evolving and Fading Topics Using Dynamic Soft Orthogonal NMF with Sparse Representation[C]// IEEE International Conference on Data Mining. IEEE, 2016:61-70.

NMF類似于LSI，可以探測文本當中潛在的話題，為了動态捕獲和跟蹤這些潛在的話題，此論文提出一種基于軟正交限制（Soft Orthogonal）的矩陣分解方法，來動态模拟話題的emerging/evolving/fading過程。

論文confused me 的地方：

1.為什麼正交限制能保證分解的結果可以準确地模拟話題的變遷？為什麼加了軟正交限制後topic的F1值會有提升？

思考後自己解答：

加入限制後，保證分解的資料更偏向于你限制的目标。聚類來看的話，距離更近。

2.論文用20newsgroup做實驗，micro-averaged F1作為評測名額，性能有所提升。文章其實用的是聚類的方法，groundtruth是label過的标簽，可是20news資料集并沒有分了100類，怎麼做的實驗？

3.矩陣分解的output是U，和V，怎麼模拟出現和消亡？

這是一篇B的論文，與此論文相似的是下面的這一篇很經典的paper

Vaca C K, Mantrach A, Jaimes A, et al. A time-based collective factorization for topic discovery and monitoring in news[C]// International Conference on World Wide Web. 2014:527-538.

這篇論文的貢獻在以下幾點：

1.提出了一個聯合矩陣的模型，以及求解方法；論文做了一個假設：上一個time-slot的資料對于下一個時間段的資料是具有影響的，進而建立了聯合矩陣的模型即，用上一個時間段的資料去預測下一個時間段的資料。

2.加入了一個時間片狀态矩陣M模拟話題的強度，通過強度的矩陣來表現話題的演化過程。非常巧妙。

3.給出了相關理論證明和源其代碼TopicDiscoveryJPP

将模型應用，通過比較狀态矩陣表現追蹤的過程，這點不太明白。