本研究探讨中国通过华侨媒体影响欧洲选举，提出KeyNMF主题建模方法，证明其在分析华人媒体信息动态方面的有效性。

本文探讨了非负矩阵分解（NMF）在稀疏特征提取和降维中的应用，介绍了近可分离NMF、Shift-NMF和IG-MDSR-NMF等算法，强调它们在处理噪声和高维数据方面的有效性。

本文探讨了非负矩阵分解（NMF）在主题模型学习中的应用，强调其高效性和隐私保护。同时，研究了大型语言模型（LLMs）在主题提取中的潜力，并提出了多模态聚类算法和关键词辅助嵌入式主题模型（KeyETM），展示了这些方法在主题检测和描述生成中的优势。

本研究利用各种机器学习技术（包括非负矩阵分解、截断奇异值分解和 K-Means 聚类）开发了一个鲁棒的电影推荐系统，旨在提供个性化的电影推荐，研究包括数据预处理、模型训练和评估，结果表明该系统在推荐准确性和相关性上取得了很高的成果，对推荐系统领域做出了重要贡献。

本文探讨了多种非负矩阵分解（NMF）方法及其优化算法，如MahNMF、基于线性规划的算法和贝叶斯平均参数NMF，旨在提升聚类性能和数据处理效率。这些方法在处理噪声和稀疏特征方面表现优越，适用于气候数据分析等实际应用。

本文提出了一种新型多模态聚类算法——多模态多视图非负矩阵分解（NMF），并通过实验验证了其在多个数据集上的优越表现，解决了NMF问题中的稀疏特征提取，探讨了该方法在医学图像中的应用。

我们提出了一种用于解决一类多凸优化问题的块主导最小化方法及其外推算法（BMMe）。该方法通过使用一种新颖的自适应更新规则来更新 BMMe 的外推参数。通过将块主导最小化重新表述为一种块镜像下降方法，并在每次迭代中自适应地更新 Bregman 散度，我们为 BMMe 建立了逐次收敛性。我们使用该方法设计了高效算法来解决带有 $\beta$-...

我们的方法结合了NMF和监督神经网络训练方法，保持了NMF的解释性，并实现了高预测性能。在小型数据集上验证了与MLP相当的预测性能和更好的解释性。

本文介绍了一种名为Imputer的神经序列模型，通过插值迭代生成输出序列。Imputer是一种迭代生成模型，通过动态规划训练算法，可以近似边际化输入和输出序列之间的对齐和生成顺序。在端到端语音识别中，Imputer优于非自回归模型，并与自回归模型取得竞争性结果。在LibriSpeech test-other上，Imputer的成绩为11.1 WER，优于CTC的13.0 WER和seq2seq的12.5 WER。

本文介绍了非负矩阵分解的稀疏特征提取功能，探讨了解决 NMF 问题的方法，介绍了近可分离 NMF 的问题子类，可以高效地解决一些有噪声的 NMF 问题。同时简要描述了 NMF 在数学和计算机科学领域的相关问题。