用于主题建模的深度信念网络
计算与语言
2015-01-20 v1 机器学习
机器学习
摘要
将传统的协同过滤应用于数字出版具有挑战性，因为相对于用户数量，文档体量巨大，导致用户数据非常稀疏。另一方面，基于内容的方法颇具吸引力，因为文本内容通常信息量丰富。本文描述了用于数字出版的大规模基于内容的协同过滤。为解决数字出版推荐问题，我们比较了两种方法：潜在狄利克雷分配 (LDA) 和深度信念网络 (DBN)，两者均能为文档寻找低维潜在表示。高效检索可在潜在表示中进行。我们的工作既涉及公共基准测试，也涉及在线出版平台 Issuu 提供的数字媒体内容。本文还附带一个新开发的用于主题建模的深度信念网络工具箱，旨在评估 DBN 模型性能并与 LDA 模型进行比较。
引用
@article{arxiv.1501.04325,
title = {Deep Belief Nets for Topic Modeling},
author = {Lars Maaloe and Morten Arngren and Ole Winther},
journal= {arXiv preprint arXiv:1501.04325},
year = {2015}
}
备注
Accepted to the ICML-2014 Workshop on Knowledge-Powered Deep Learning for Text Mining