ICMLJan, 2015

深度置信网络用于主题建模

PDF
TL;DR本文描述基于内容协同过滤的大规模数字出版物推荐问题的两种可能的解决方案：潜在狄利克雷分配（LDA）和深度置信网络（DBN），并对比它们在公共基准和来自 Issuu 的数字媒体内容上的表现。同时，该文章配有一个新开发的适用于 DBN 模型性能评估和 LDA 模型对比的主题建模工具箱。
collaborative filteringdigital publishingcontent-based approacheslatent dirichlet allocationdeep belief nets
发现论文，激发创造
  • 从评论中学习分布式表示用于协同过滤

    通过引入自然语言评论作为优化产品表示的一种方式，将旁路信息融入基于协同过滤的推荐系统可以提高其性能表现；本文提出两种不同类型的评论模型，包括基于神经网络的词袋专家模型和循环神经网络模型，并证明前者的模型灵活性表现出了更高的性能表现，超越了基于 LDA 的方法。

    Jun, 2018

  • 主题模型的网络方法

    采用随机块模型方法，针对主题建模中存在的问题，提出了一种更具通用性和原则性的框架，该框架能够自动检测主题数和分级群集单词和文档，从而比 LDA 在统计模型选择方面提供更好的主题模型。

    Aug, 2017

  • 信念传播学习主题模型

    该研究提出了一种基于马尔可夫随机场框架下的因子图表示方法，实现了传统信念传播算法对隐含狄利克雷分配模型的近似推理和参数估计，该算法在速度和准确性方面均具有竞争力，并且可以成为基于 LDA 的话题模型的通用学习方案。

    Sep, 2011

  • 使用深度神经网络从 LDA 模型中学习

    本研究提出了一种使用深度神经网络预测 LDA 模型中潜在主题分布的方法，借鉴了迁移学习的思想，实现了在大大降低计算时间的同时取得较好的分类效果。

    Aug, 2015

  • 深度潜在位置主题模型用于文本边网络的聚类和表示

    本研究介绍了一种基于概率模型和可变图自动编码器方法的 Deep-LPTM 模型聚类策略，使节点和边在两个嵌入空间中构建联合表示，以解决社交网络中的节点聚类和数据可视化等问题，并在 Enron 公司的电子邮件数据上进行了验证。

    Apr, 2023

  • 音乐推荐的深度内容 - 用户嵌入模型

    本文提出了一种深度内容 - 用户嵌入模型，它采用混合方法解决了冷启动问题，并考虑了不同模式数据的联合，同时在音乐推荐和音乐自动标记任务中，表现出了明显的优势。

    Jul, 2018

  • 用深度玻尔兹曼机对文档进行建模

    我们介绍了一种适用于从大型非结构化文档集中建模和提取潜在语义表示的深度玻尔兹曼机模型。我们成功地弥补了训练具有合适的参数绑定的 DBM 的明显困难。这种参数绑定实现了高效的预训练算法和一种有助于推理的状态初始化方案。该模型的训练效率与标准受限玻尔兹曼机一样高。我们的实验表明，与复制 Softmax 模型相比，该模型为未见数据分配更好的对数概率。从我们的模型中提取的特征在文档检索和文档分类任务上优于 LDA、复制 Softmax 和 DocNADE 模型。

    Sep, 2013

  • 问 GRU：深度文本推荐的多任务学习

    本文介绍了一种基于深度递归神经网络的内容推荐方法，通过将文本序列映射至潜在向量实现推荐，在科学论文推荐任务中，该方法精度显著优于传统基于主题模型或词向量平均值的推荐方法。此外，使用多任务学习进一步提高了推荐精度。

    Sep, 2016

  • 多模态数据主题建模的深度和自回归方法

    本研究采用新型主题模型 DocNADE 扩展，提出了 SupDocNADE 模型，并成功将其应用于多模态数据，实现了图像标注和分类的联合表示，并取得了 state-of-the-art 的性能表现。同时，也在深度模型方面进行了探索，表现出更出色的结果。

    Sep, 2014

  • 一种高再现性和高准确度的自动化主题分类方法

    通过比较 LDA 和社区检测算法的优缺点，该研究提出一种用于主题发现的新算法，可在英文维基百科大规模文章中展现层次结构，提高文本分析系统的可靠性。

    Feb, 2014