对LDA和LFM关系的理解

最新推荐文章于 2020-04-11 17:52:04 发布
最新推荐文章于 2020-04-11 17:52:04 发布
阅读量1.6k 收藏
点赞数
分类专栏： 文本分析 LDA LFM 自然语言处理 话题发现模型
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/scut_FLYAWAY/article/details/42855873
版权
文本分析 同时被 3 个专栏收录
1 篇文章 0 订阅
订阅专栏
LDA
1 篇文章 0 订阅
订阅专栏
LFM
1 篇文章 0 订阅
订阅专栏

仔细看了一下项亮的那本《推荐系统实践》中有关用LFM做音乐推荐的部分，发现了LDA(Latent Dirichlet Allocation)和LFM(Latent Factor Model)之间的联系，LDA和LFM的关系，就相当于雷锋和雷峰塔之间的关系一样最相似的部分都是发现了隐藏在数据背后的Latent Topic，其他的真的是关系不大。

LDA利用标签矩阵对隐藏在数据集内部的话题关系用概率分布的形式表现出来（Doc-Topic矩阵和Topic-Tag矩阵），采用的是随机采样和马尔科夫链（利用EM算法或GibbsSampling收敛）的思想，是由pLSA、LSA演化而来的；

而LFM利用矩阵分解的思想（利用梯度下降收敛）对用户-物品（user-item）评分或1-0矩阵进行r = pq分解，和SVD以及PMF(probabilistic matrix factorization)的思想更加接近（基于个人理解）

如果楼主有理解错的地方，烦请大家踊跃拍砖！！

DeeFOX
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
通俗理解LDA主题模型.pdf
06-20
通俗理解LDA主题模型.pdf通俗理解LDA主题模型.pdf通俗理解LDA主题模型.pdf通俗理解LDA主题模型.pdf通俗理解LDA主题模型.pdf通俗理解LDA主题模型.pdf
文本主题模型之潜在语义索引(LSI)
weixin_34067980的博客
05-04 913
　　　　在文本挖掘中，主题模型是比较特殊的一块，它的思想不同于我们常用的机器学习算法，因此这里我们需要专门来总结文本主题模型的算法。本文关注于潜在语义索引算法(LSI)的原理。 1. 文本主题模型的问题特点 　　　　在数据分析中，我们经常会进行非监督学习的聚类算法，它可以对我们的特征数据进行非监督的聚类。而主题模型也是非监督的算法，目的是得到文本按照主题的概率分布。从这个方面来说，主题模型和普通的...
推荐系统_基本知识点-牢记
sjyttkl的专栏
04-11 1878
1 推荐系统的分类 基于应用领域分类：电子商务推荐，社交好友推荐，搜索引擎推荐，信息内容推荐 基于设计思想：基于协同过滤的推荐，基于内容的推荐，基于知识的推荐，混合推荐 基于使用何种数据：基于用户行为数据的推荐，基于用户标签数据的推荐，基于社交网络数据，基于上下文信息（时间上下文，地点上下文等等） 2 常见评测标准 http://blog.csdn.net/u011263983/arti...
使用LFM（Latent factor model）隐语义模型进行Top-N推荐
热门推荐
Harry Huang
08-12 4万+
最近在拜读项亮博士的《推荐系统实践》，系统的学习一下推荐系统的相关知识。今天学习了其中的隐语义模型在Top-N推荐中的应用，在此做一个总结。 隐语义模型LFM和LSI，LDA，Topic Model其实都属于隐含语义分析技术，是一类概念，他们在本质上是相通的，都是找出潜在的主题或分类。这些技术一开始都是在文本挖掘领域中提出来的，近些年它们也被不断应用到其他领域中，并得到了不错的应用效果。比如，在推荐系统中它能够基于用户的行为对item进行自动聚类，也就是把item划分到不同类别/主题，这些主题/类别可以理
LFM，LSI，LDA讲解与实例（不断更新）
yuhushangwei的专栏
07-08 2701
使用LFM（Latent factor model）隐语义模型进行Top-N推荐 http://blog.csdn.net/harryhuang1990/article/details/9924377
深度学习和自然语言处理的应用和脉络4-隐语义模型SVD，PLSA，LDA，LFM-推荐系统
changdejie的专栏
10-11 945
隐语义模型LFM和LSI，LDA，Topic Model其实都属于隐含语义分析技术，是一类概念，他们在本质上是相通的，都是找出潜在的主题或分类。这些技术一开始都是在文本挖掘领域中提出来的，近些年它们也被不断应用到其他领域中，并得到了不错的应用效果。比如，在推荐系统中它能够基于用户的行为对item进行自动聚类，也就是把item划分到不同类别/主题，这些主题/类别可以理解为用户的兴趣。
Python实现LDA和KNN人脸识别
最新发布
01-29
在本项目中，我们将探讨如何使用Python编程语言和机器学习技术进行人脸识别。...通过这个项目，你可以深入理解LDA和KNN在人脸识别中的应用，并掌握实际操作技能，为以后的机器学习项目打下坚实基础。
最容易理解的LDA资料
04-07
**主题模型与LDA** LDA，全称为Latent Dirichlet Allocation（潜在狄利克雷分配），是一...《LDA数学八卦.pdf》这篇文章很可能会深入浅出地介绍LDA的理论基础，包括数学推导和实践应用，是初学者理解LDA算法的好资料。
LFM_Comparation.rar
08-13
标题中的"LFM_Comparation.rar"暗示了一个关于比较两种主题模型——LSA（Latent Semantic Analysis，潜在语义分析）和LDA（Latent Dirichlet Allocation，潜在狄利克雷分配）的研究。这两个模型在文本挖掘和信息检索...
基于PCA和LDA融合算法的性别鉴别
11-04
摘要: 结合主元分析（PCA）与线性鉴别分析（LDA）的特点，利用PCA-LDA算法进行性别鉴别。通过PCA算法求得训练样本的特征子空间，并在此基础上计算出LDA算法的特征子空间。将PCA算法与LDA算法的特征子空间进行融合，...
对压缩感知做出全面介绍（通俗易懂）
03-11
对压缩感知内容全面简单的介绍，非常通俗易懂
《推荐系统实践》阅读笔记三 LFM模型、图模型、slop one和SVD算法
china1000的专栏
10-17 6355
2.5 隐语义模型 LFM（latent factor model）。表示一类模型，有很多经典的模型，如：LSI、pLSA、LDA和topic model等。 LFM优势： 面对商品分类的时候，人工编辑给出的类别有很多缺点，如不好解决一物多类问题、不好设定物品与类别的权重、主观性因素太强等等。LFM由于其模型本身，能够有效地避免上述问题。 LFM
推荐系统之隐语义模型(LFM)
lpty的博客
10-30 3万+
一 基本概念 LFM(latent factor model)隐语义模型，这也是在推荐系统中应用相当普遍的一种模型。那这种模型跟ItemCF或UserCF有什么不同呢？这里可以做一个对比： 对于UserCF，我们可以先计算和目标用户兴趣相似的用户，之后再根据计算出来的用户喜欢的物品给目标用户推荐物品。 而ItemCF，我们可以根据目标用户喜欢的物品，寻找和这些物品相似的物品，再推荐给用户
推荐系统_全
u011263983的博客
05-31 1万+
推荐系统的分类 常见评测标准 http://blog.csdn.net/u011263983/article/details/51544495 相似度 1）同现相似度    2）欧氏距离相似度 3）余弦相似度 4）秩相关系数相似度 5）曼哈顿距离相似度 6）对数似然相似度   常见推荐系统算法 关联规则；                    Apriori
推荐系统之LFM与邻域方法对比
Ezail的博客
02-10 1033
LFM在topN推荐时，重要参数有四个：1.隐特征的个数F 2.学习率alpha 3.正则化参数lambda 4.正负样本比例ratio 通过实验发现，ratio对算法性能影响最大(控制变量法)。随着负样本的增多，LFM的准确率和召回率有明显的提高，但是覆盖率不断降低，新颖度不断降低。在movielens数据集上的结果，可以发现LFM总是优于itemcf和usercf，但是LFM不适合稀疏的数据...
LDA和PLSA的区别
SophieZhou的专栏
12-27 1万+
<br />上半年总结的，从另外一个博客粘贴过来。<br /> <br />LDA克服了PLSA的缺点，LDA为每一个文档的topics的分布给了一个dirichlet distribution的prior。而PLSA没有。有人算过了，PLSA其实和LDA中取uniform dirichlet distribution的MAP/ML估计是一样的。从图上来说的话，产生式过程中，LDA在文档这一级别的外层多了一个参数a，用来生成不同文档中topics的分布。而PLSA，要么分开为每个文档单独分配topics的分
Topic Model
11-19 8632
基于LDA的Topic Model变形最近几年来，随着LDA的产生和发展，涌现出了一批搞Topic Model的牛人。我主要关注了下面这位大牛和他的学生：<br />David M. BleiLDA的创始者，04年博士毕业。一篇关于Topic Model的博士论文充分体现其精深的数学概率功底；而其自己实现的LDA又可体现其不俗的编程能力。说人无用，有论文为证：<br />J. Chang and D. Blei. Relational Topic Models for Document Networks.
LFM（Latent factor model）隐语义模型的思想和伪代码
tanyanzimo的博客
08-02 1507
http://blog.csdn.net/harryhuang1990/article/details/9924377
LSA潜在语义分析
锐之锋芒
11-19 3万+
从Wiki翻译的LSA的简单介绍

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值