基于受限玻爾茲曼機的推薦算法研究.pdf

1、隨著互聯(lián)網(wǎng)和信息技術的快速發(fā)展，互聯(lián)網(wǎng)為用戶提供了越來越多的信息和服務，但是面對互聯(lián)網(wǎng)中成指數(shù)增長的信息資源，用戶不得不花費大量的時間來尋找對自己有用的信息，即所謂的信息超載問題。為了解決這一問題推薦系統(tǒng)應運而生，推薦系統(tǒng)能夠根據(jù)用戶的偏好為用戶提供個性化的推薦服務。
　　當前，協(xié)同過濾算法是應用最廣泛、最成功的推薦技術，但是協(xié)同過濾算法也面臨著嚴重的數(shù)據(jù)稀疏性、擴展性和冷啟動等問題。數(shù)據(jù)稀疏性問題是協(xié)同過濾算法面臨的關鍵的問題之

2、一，評分數(shù)據(jù)的高稀疏性往往會導致協(xié)同過濾算法的預測精度低下。因此，數(shù)據(jù)稀疏性問題的解決對提高協(xié)同過濾算法的預測精度具有重要意義。近年來，隨著社交網(wǎng)絡的流行，社交關系變的越來越重要，在社交網(wǎng)絡中好友的觀點或者意見往往會影響我們的決定，因此利用社交網(wǎng)絡中的社交關系有助于解決數(shù)據(jù)稀疏性問題。
　　當前，深度學習在眾多領域取得了重大的突破，而受限玻爾茲曼機模型(RestrictedBoltzmann Machine，簡記為RBM)作為深度

3、學習領域最重要的模型之一，受到了越來越多的關注。受限玻爾茲曼機模型被用于解決推薦問題后，取得了良好的效果。目前用于推薦的RBM模型存在一定的缺陷:第一，需要將實值的評分數(shù)據(jù)轉化為一個K維的0-1向量，這將使模型中參數(shù)的數(shù)量變?yōu)樵瓉淼腒倍，從而造成參數(shù)過多、訓練過程復雜。同時，此種轉化方法只對整型數(shù)據(jù)有效，如果評分數(shù)據(jù)中有Double型的數(shù)據(jù)就無法轉化;第二，模型訓練過程中僅使用用戶評分數(shù)據(jù)，但用戶評分數(shù)據(jù)存在著嚴重的數(shù)據(jù)稀疏性問題，這將

4、在一定程度上影響模型的推薦效果。第三，當前正處于一個大數(shù)據(jù)時代，在大數(shù)據(jù)環(huán)境下由于RBM模型具有大量的參數(shù)，模型的訓練將面臨巨大挑戰(zhàn)。
　　因此，本文針對基于受限玻爾茲曼機模型的協(xié)同過濾算法進行了相關研究，主要工作包括:
　　(1)在現(xiàn)有的用于推薦的RBM模型的基礎上，提出了基于實值的條件受限玻爾茲曼機(Real-Valued Conditional Restricted Boltzmann Machine，R_CRBM)模

5、型，此模型不需要將評分數(shù)據(jù)轉化為一個K維的0-1向量，并且R_CRBM模型在訓練過程中使用訓練數(shù)據(jù)中潛在的評分/未評分信息，實驗結果表明潛在的評分/未評分信息有助于緩解數(shù)據(jù)稀疏性問題。
　　(2)將本文提出的R CRBM模型與用戶的社交關系相結合，提出了基于MoleTrust推理的最近信任好友(Nearest Trusted Friends MoleTrust，NTFMT)R_CRBM算法，該算法利用社交網(wǎng)絡中的信任關系。在百度數(shù)

6、據(jù)集和Epinions數(shù)據(jù)集上的實驗結果表明提出的R_CRBM_NTFMT算法可以很好的解決數(shù)據(jù)稀疏性問題，提高了推薦系統(tǒng)的預測精度，并且在訓練數(shù)據(jù)越稀疏的情況下效果提升的越多。
　　(3)在大數(shù)據(jù)環(huán)境下，由于數(shù)據(jù)量巨大，普通平臺無法處理大數(shù)據(jù)問題并且此時R_CRBM模型的參數(shù)數(shù)量將變的極其巨大對R_CRBM模型的訓練將面臨巨大的挑戰(zhàn)，因此，針對大數(shù)據(jù)下的R_CRBM模型，本文提出了基于Spark的并行化方案，實驗結果表明該方案具