基于受限玻爾茲曼機的推薦算法研究.pdf

1、隨著互聯網和信息技術的快速發(fā)展，互聯網為用戶提供了越來越多的信息和服務，但是面對互聯網中成指數增長的信息資源，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應運而生，推薦系統能夠根據用戶的偏好為用戶提供個性化的推薦服務。
　　當前，協同過濾算法是應用最廣泛、最成功的推薦技術，但是協同過濾算法也面臨著嚴重的數據稀疏性、擴展性和冷啟動等問題。數據稀疏性問題是協同過濾算法面臨的關鍵的問題之

2、一，評分數據的高稀疏性往往會導致協同過濾算法的預測精度低下。因此，數據稀疏性問題的解決對提高協同過濾算法的預測精度具有重要意義。近年來，隨著社交網絡的流行，社交關系變的越來越重要，在社交網絡中好友的觀點或者意見往往會影響我們的決定，因此利用社交網絡中的社交關系有助于解決數據稀疏性問題。
　　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據轉化為一個K維的0-1向量，這將使模型中參數的數量變?yōu)樵瓉淼腒倍，從而造成參數過多、訓練過程復雜。同時，此種轉化方法只對整型數據有效，如果評分數據中有Double型的數據就無法轉化;第二，模型訓練過程中僅使用用戶評分數據，但用戶評分數據存在著嚴重的數據稀疏性問題，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據時代，在大數據環(huán)境下由于RBM模型具有大量的參數，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同過濾算法進行了相關研究，主要工作包括:
　　(1)在現有的用于推薦的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據轉化為一個K維的0-1向量，并且R_CRBM模型在訓練過程中使用訓練數據中潛在的評分/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據稀疏性問題。
　　(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，該算法利用社交網絡中的信任關系。在百度數

6、據集和Epinions數據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據稀疏性問題，提高了推薦系統的預測精度，并且在訓練數據越稀疏的情況下效果提升的越多。
　　(3)在大數據環(huán)境下，由于數據量巨大，普通平臺無法處理大數據問題并且此時R_CRBM模型的參數數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，針對大數據下的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