基于受限玻爾茲曼機(jī)的協(xié)同過濾算法研究與應(yīng)用.pdf

1、深度學(xué)習(xí)作為人工智能的一個(gè)分支被應(yīng)用在多個(gè)領(lǐng)域，用深度學(xué)習(xí)作為模型應(yīng)用在個(gè)性化推薦領(lǐng)域逐漸受到關(guān)注。受限玻爾茲曼機(jī)(RBM)作為深度學(xué)習(xí)中的模型之一，是一種“無監(jiān)督學(xué)習(xí)”模型可以用來對未知輸入樣本進(jìn)行分類和特征提取?；赗BM的協(xié)同過濾算法在用戶評分?jǐn)?shù)據(jù)稀疏問題上存在精度不夠、準(zhǔn)確率不高等問題。本文主要從RBM模型的基本結(jié)構(gòu)入手，將改進(jìn)的RBM模型與協(xié)同過濾算法結(jié)合應(yīng)用到推薦系統(tǒng)中。具體內(nèi)容如下：
　　(1)從推薦算法的基本研究入

2、手，分析了經(jīng)典的協(xié)同過濾算法，包含了基于模型的協(xié)同過濾和基于鄰域的協(xié)同過濾，并對比多種基于模型推薦算法的優(yōu)缺點(diǎn)。分析了RBM的結(jié)構(gòu)和RBM的訓(xùn)練算法-對比散度算法，通過構(gòu)建RBM和協(xié)同過濾算法的聯(lián)系，指出基于RBM的協(xié)同過濾算法中的不足。
　　(2)基于RBM的協(xié)同過濾只考慮用戶的評分，如果用戶的評分稀疏性低會(huì)直接影響算法的推薦效果，本文在RBM模型的基礎(chǔ)上提出了附加受限玻爾茲曼機(jī)(ERBM)，ERBM模型在RBM模型的基礎(chǔ)上增加

3、了附加層作為條件輸入，將條件輸入與原始輸入結(jié)合共同作為模型的輸入條件，使用對比散度算法訓(xùn)練模型，得到輸入數(shù)據(jù)的特征。從經(jīng)典的協(xié)同過濾算法為基礎(chǔ)，提出了新的用戶相似度計(jì)算方法-結(jié)合項(xiàng)目特征的用戶相似度計(jì)算，以項(xiàng)目特征相似度與用戶的相似度相結(jié)合計(jì)算用戶的相似度。取相似度前k個(gè)用戶的評分作為ERBM附加層的輸入，用ERBM學(xué)習(xí)用戶的特征來預(yù)測未知的用戶評分。本文通過開源數(shù)據(jù)集MovieLens驗(yàn)證算法的可行性，其結(jié)果表明，基于ERBM的協(xié)同過