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