与：Simple Python implementation of collaborative topic modeling?
相关我正试图掌握collaborative-filtering和topic-modeling中基本差异和基本部分的相同之处。两者似乎都非常相似：试图寻找一个潜在的维度，可以紧凑地预测哪个用户想要哪个电影，或者哪个文档会包含哪个单词？
你能否透露一些消息或将我发送给澄清这一点的消息来源？
谢谢！
答案 0 :(得分：2)
我认为这篇论文是你最好的选择：
https://www.cs.princeton.edu/~blei/papers/WangBlei2011.pdf
它讨论了将协同过滤和主题建模相结合（两个非常不同的事物）。
如果你特别注意probabilistic matrix factorization for collaborative filtering和probabilistic topic modeling，就像生成解决方案一样，可能会有一些相似之处，但这仍然相当有限。
从您的问题来看，您是否对topic modeling或collaborative topic modeling感到疑惑并不清楚。
尽管如此，我提到的论文提供了一些关于协同过滤的背景（通过矩阵分解），概率主题建模的一些背景，然后：
协作主题回归（CTR），CTR将传统的传统协同过滤与主题建模相结合。
刚才意识到这篇论文已经在你要链接的问题中被引用了，所以让我分享另一个很好的资源，这篇文章在纽约时报的数学文章较少
http://open.blogs.nytimes.com/2015/08/11/building-the-next-new-york-times-recommendation-engine/
他们如何描述，他们如何从上述文件中实际实施该方法。
相反，有关主题建模的更多详细信息，我建议深入了解此页面上的资源：
https://www.cs.princeton.edu/~blei/topicmodeling.html
和本文用于协同过滤的矩阵分解：
https://datajobs.com/data-science-repo/Recommender-Systems-%5BNetflix%5D.pdf