Latent topic models analyze relatio

Latent topic models analyze relationships between a set of documents and the words, and identify latent topics that are represented as distributions over words in a corpus. In [10], a probability topic model is proposed to recommend item for individual users. In [24], a latent topic model incorporating social influence has been proposed to make better item recommendations. Latent Dirichlet Allocation (LDA) [5], a well known latent semantic model for text summarization, adopts Dirichlet priors for document topic distributions and word distributions. The principle of LDA is applicable under the context of item recommendation by mapping document/word entities to user/item entities. As an extension to LDA, author topic (AT) model [20] analyze co-authored document text, and therefore discover each author's expertise and contributions to each co-authored documents. Our approach focus on group recommendation problem, and is related to LDA [5] and author topic model [20].

결과 (한국어) 1:

숨겨진 항목 모델 문서와 단어 사이의 관계를 분석 하 고 모음에 단어 이상의 배포판으로 표현 되는 잠재성 주제를 식별 합니다. [10], 확률 주제 모델은 개별 사용자에 대 한 항목을 것이 좋습니다 것을 제안 하 고 있다. [24], 사회적 영향을 통합 숨겨진 주제 모델 더 나은 항목 추천 하 제안 되었습니다. 잠재 디리클레 할당 (LDA) [5], 텍스트 요약을 위한 잘 알려진 잠재성 의미 체계 모델 디리클레 priors를 문서 항목 배포판와 단어에 대 한 채택 한다. LDA의 원리가입니다 항목 추천의 컨텍스트에서 해당 사용자/항목을 문서/단어 엔터티 매핑. LDA 확장, 저자 주제 (AT) 모델 [20] 공동 제작 된 문서의 텍스트를 분석 하 고 따라서 각 작가 전문성과 공동 제작 된 각 문서에 기여를 발견. 우리의 접근 그룹 추천 문제에 집중 하 고 관련이 LDA [5] 및 저자 주제 모델 [20].

결과 (한국어) 2:

잠재 주제 모델은 문서와 단어의 집합 사이의 관계를 분석하고, 신체의 단어 이상 분포로 표시됩니다 잠재 주제를 식별합니다. [10]에있어서, 확률 모델은 항목의 개별 사용자에 대한 아이템을 추천하는 것이 제안된다. [24]에서, 사회적 영향을 통합 잠상 주제 모델이 더 좋은 상품 추천을 위해 제안되어있다. 잠재 디리클레 할당 (LDA) 텍스트 요약에 대한 [5], 잘 알려진 잠재 의미 론적 모델은 문서 주제 분포 및 단어 분포에 대한 디리클레 전과를 채택한다. LDA의 원리는 사용자 / 상품 엔티티 매핑 문서 / 단어 기관에 의해 아이템 추천의 컨텍스트에서 적용 할 수있다. LDA의 확장으로, 저자 주제 (AT) 모델 [20] 공동 집필 문서 텍스트를 분석하고 각 저자의 전문 지식과 각 공동 집필 문서에 기여를 발견 할 수 있습니다. 우리의 접근 방식 그룹 추천 문제에 초점을, 그리고 LDA 관련이있다 [5] 저자 주제 모델 [20].

결과 (한국어) 3:

모델 몰래 주제 관계, 말 한 벌 파일, 몰래 테마 게 대표 분포 언어 단어.[열], 확률 테마 모델 - 개별 사용자 항목을.[] 24 몰래 화제 모델, 정상적인 사회의 영향을 더 항목에 대해 건의를 제기했다.몰래 값 설정 (l) [5] 한 유명한 잠재적 어의 모델 사용하는 텍스트 파일 종류, 전과가 말, 말 분포 상태.왼쪽 아래 원칙을 적용 범위 내에서 맵 프로젝트 파일 / 단어 추천 항목 사용자 / 항목 실체.레이저 한 연,저자 테마 (20). [] 분석 모델 공저 것을 텍스트 때문에 모든 사람이 특기, 기부금 공저 서류 다.우리는 방법을 집중 그룹 관련 추천 문제는, 준다 [] 다섯 사람이 테마 (20), 모델.