Я думаю, что эта бумага - ваш лучший выбор:
https://www.cs.princeton.edu/~blei/papers/WangBlei2011.pdf
В нем говорится о сочетании совместной фильтрации и тематического моделирования (две действительно разные вещи). Возможно, есть некоторое сходство, если вы посмотрите особенно на probabilistic matrix factorization for collaborative filtering и probabilistic topic modeling, в том, как генерируются решения, но это все же довольно ограничено.
Из вашего вопроса неясно, интересует ли вас topic modeling или collaborative topic modeling. Тем не менее, упомянутая мной статья дает некоторые сведения о совместной фильтрации (путем матричной факторизации), некоторые сведения о вероятностном тематическом моделировании, а затем:
СОВМЕСТНАЯ ТЕМАТИЧЕСКАЯ РЕГРЕССИЯ (CTR), CTR сочетает в себе традиционную традиционную совместную фильтрацию с тематическим моделированием.
Только что понял, что эта статья уже упоминается в вопросе, на который вы ссылаетесь, поэтому позвольте мне поделиться еще одним замечательным ресурсом, этой статьей в NYT, которая менее насыщена математикой.
http://open.blogs.nytimes.com/2015/08/11/building-the-next-new-york-times-recommendation-engine/
Где описывают, как на самом деле реализовали подход из упомянутой выше статьи.
Наоборот, для более подробной информации о моделировании тем я бы предложил изучить ресурсы на этой странице:
https://www.cs.princeton.edu/~blei/topicmodeling.html< /а>
и эта статья для матричной факторизации для совместной фильтрации:
https://datajobs.com/data-science-repo/Recommender-Systems-%5BNetflix%5D.pdf
person
yoh.lej
schedule
06.01.2017
