Je pense que cet article est votre meilleur pari:
https://www.cs.princeton.edu/~blei/papers/WangBlei2011.pdf
Il parle de combiner le filtrage collaboratif et la modélisation de sujet (deux choses vraiment distinctes). Il y a peut-être une certaine ressemblance si vous regardez surtout probabilistic matrix factorization for collaborative filtering
et probabilistic topic modeling
, dans la façon dont les solutions sont générées, mais cela reste plutôt limité. De votre question, il n'est pas clair si vous vous posez des questions sur topic modeling
ou collaborative topic modeling
. Néanmoins, le papier je l'ai mentionné donne quelques informations sur le filtrage collaboratif (à travers la matrice factorisation), des renseignements généraux sur la modélisation du sujet probabiliste puis:
COLLABORATIF SUJET REGRESSION (CTR), CTR combine le filtrage collaboratif traditionnel traditionnel avec modélisation sujet .
viens juste de réaliser que ce document est déjà référencé dans la question que vous liez, alors laissez-moi partager une autre ressource, cet article dans le New York Times qui est moins mathématiques lourds
http://open.blogs.nytimes.com/2015/08/11/building-the-next-new-york-times-recommendation-engine/
Où ils décrivent, comment ils ont effectivement mis en œuvre l'approche de l'article mentionné ci-dessus.
Au contraire pour plus de détails sur la modélisation du sujet que je vous suggère de plonger dans les ressources sur cette page:
https://www.cs.princeton.edu/~blei/topicmodeling.html
et ce document pour la matrice factorisation pour le filtrage collaboratif:
https://datajobs.com/data-science-repo/Recommender-Systems-%5BNetflix%5D.pdf