协作过滤和主题建模有什么不同，它们又有什么相同之处？

Question

相关：Simple Python implementation of collaborative topic modeling?

我试图掌握collaborative-filtering和topic-modeling的基本区别和基本相同的部分。两者对我来说似乎非常相似:试图寻找一个潜在的维度，可以简洁地预测哪个用户会喜欢哪部电影，或者哪个文档会包含哪个单词？

你能给我一些启发，或者给我一些可以澄清这一点的来源吗？

谢谢!

Answer 1

我认为这篇论文是你最好的选择：

https://www.cs.princeton.edu/~blei/papers/WangBlei2011.pdf

它谈到了协作过滤和主题建模的结合(两个真正截然不同的东西)。如果你特别关注probabilistic matrix factorization for collaborative filtering和probabilistic topic modeling，在生成解决方案的方式上可能会有一些相似之处，但这仍然是相当有限的。

从你的问题可以看出，你想知道的是topic modeling还是collaborative topic modeling。尽管如此，我提到的论文还是给出了一些关于协作过滤(通过矩阵分解)的背景，一些关于概率主题建模的背景，然后：

协同主题回归将传统的协同过滤与主题建模相结合。

我刚刚意识到这篇论文已经在你链接的问题中被引用了，所以让我分享另一个很棒的资源，这篇文章发表在纽约时报上，它的数学含量较低

http://open.blogs.nytimes.com/2015/08/11/building-the-next-new-york-times-recommendation-engine/

他们在哪里描述，他们是如何实际实现上述论文中的方法的。

相反，有关主题建模的更多详细信息，我建议深入查看此页面上的资源：

https://www.cs.princeton.edu/~blei/topicmodeling.html

本文介绍了用于协同过滤的矩阵分解：

https://datajobs.com/data-science-repo/Recommender-Systems-%5BNetflix%5D.pdf