推荐系统学习（四）

基于LDA的论文推荐模型-CTR(Collaborative modeling for recommendation)
论文-Collaborative Topic Modeling for Recommending Scientific Articles
PPT-Collaborative Topic Modeling for Recommending Scientific Articles

概述

       本问采用的数据集是来自一个引用论文的网站，主要是为科学工作者提供论文的推荐。

       本文采用了LDA+PMF的-modelP
       论文中包含两种推荐：

1. In-matrix prediciton --recommend old articles (already rated, easy)
2. out-matrix prediction–recommend new articles(not rated before, not that easy)
   

本文模型

       由于MF在latent space中学习的k维的特征是不具有可解释性的，而且只考虑评分矩阵，是不能完全考虑到那些从未被评分的items的，这对model的冷启动具有一定的局限性。其实这里MF的k个维度，与LDA的k个主题是对应的。本文的LDA主题模型还是词袋模型，没有考虑单词的顺序，所以有了而后来的一系列改进

Topic modeling（主题模型）这里采用LDA

       主题模型的学习可以参考通俗理解LDA主题模型,和LDA基础这两篇博文。

主要算法：

图模型为：

预测：

评价指标

其实引文网络构成的矩阵也是只有0和1，其实也是隐反馈：

创新点

其实本文最大的创新点就是把LDA的主题与PMF的latent space对应起来。这样具有了可解释性。

代码

待更新！！！