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
利用受限玻尔兹曼机(Restricted Boltzmanm 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,本文提出基于实值的状态玻尔兹曼机(Real-Valued Conditional Restricted Boltzmanm Machine,R_CRBM)模型,此模型不需要将评分数据转化为向量单元,将数据中潜在的评分/未评分信息应用到模型训练过程中;并且将最近信任好友关系应用到RCRBM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RCRBM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.
社交网络 推荐系统 受限玻尔兹曼机 协同过滤算法
何洁月 马贝
东南大学计算机科学与工程学院 东南大学计算机网络和信息集成教育部重点实验室 江苏南京中国210096
国内会议
北京
中文
1-10
2014-12-01（万方平台首次上网日期，不代表论文的发表时间）