利用社交关系的实值条件受限玻尔兹曼机协同过滤推荐算法

• 作者: 何洁月 马贝
• 来源期刊: 计算机学报
• 学科: 工学
• 关键词: 受限玻尔兹曼机 数据稀疏性 R CRBM 社交网络 信任关系 大数据
• 年，卷（期）: 2016,（1）
• 所属期刊栏目: 大数据分析
• 页码范围: 183-195
• 页数: 13页
• 分类号: TP393
• 字数: 10377字
• 语种: 中文
• DOI: 10.11897/SP.J.1016.2016.00183

摘要

利用受限玻尔兹曼机（Restricted Boltzmann Machine，RBM）解决推荐问题已成为一个很有意义的研究方向。目前用于推荐的 RBM 模型中使用的仅仅是用户评分数据，但用户评分数据存在着严重的数据稀疏性问题。随着互联网对人们生活的不断渗透，社交网络已经成为人们生活中不可缺少的一部分，利用社交网络中的好友信任关系，有助于缓解评分数据的稀疏性问题，提高推荐系统的性能。因此，该文首先提出基于实值的状态玻尔兹曼机（Real-Valued Conditional Restricted Boltzmann Machine，R CRBM）模型，此模型不需要将评分数据转化为一个 K维的0-1向量，并且 R CRBM 模型在训练过程中使用了训练数据中潜在的评分／未评分信息；同时该文将最近信任好友关系应用到 R CRBM 模型推荐过程中。在百度数据集和 Epinions 数据集上的实验结果表明 R CRBM 模型和引入的最近信任好友关系均有助于提高推荐系统的预测精度；最后，针对大数据环境下，普通平台很难完成R CRBM 模型训练的问题，该文提出基于 Spark 的并行化方案，较好地解决了该问题。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	何洁月		1	62	1.0	1.0
2	马贝		1	62	1.0	1.0