ARTM vs. LDA: An SVD extension case study

dc.contributor.author	Nikolenko S.
dc.date.accessioned	2018-09-19T21:31:03Z
dc.date.available	2018-09-19T21:31:03Z
dc.date.issued	2016
dc.identifier.issn	1613-0073
dc.identifier.uri	https://dspace.kpfu.ru/xmlui/handle/net/144087
dc.description.abstract	In this work, we compare two extensions of two different topic models for the same problem of recommending full-Text items: previously developed SVD-LDA and its counterpart SVD-ARTM based on additive regularization. We show that ARTM naturally leads to the inference algorithm that has to be painstakingly developed for LDA.
dc.relation.ispartofseries	CEUR Workshop Proceedings
dc.title	ARTM vs. LDA: An SVD extension case study
dc.type	Conference Paper
dc.relation.ispartofseries-volume	1710
dc.collection	Публикации сотрудников КФУ
dc.relation.startpage	276
dc.source.id	SCOPUS16130073-2016-1710-SID85017192438

Файлы в этом документе

Имя: SCOPUS16130073-20 ...

Размер: 42.79Kb

Формат: PDF

Публикации сотрудников КФУ Scopus [24551]
Коллекция содержит публикации сотрудников Казанского федерального (до 2010 года Казанского государственного) университета, проиндексированные в БД Scopus, начиная с 1970г.