融合词频-逆向文件频率的受限玻尔兹曼机推荐算法

王 成,李千目

(南京理工大学 1.信息化建设与管理处;2.计算机科学与工程学院,江苏 南京 210094)

互联网相关应用迅猛发展给用户带来了各种便捷服务,同时也积累了巨量用户交易行为数据,随之而来的“信息过载”使得用户对于有价值的信息选择变得困难,推动个性化推荐算法研究走向深入,通过推荐算法解决信息过载问题具有较强的实用价值,各类推荐算法如协同过滤算法、基于规则推荐和基于内容推荐等得到广泛使用[1]。目前推荐算法普遍存在数据稀疏、冷启动等难题。针对数据稀疏难题,主要采用建立有效的用户评分模型完善数据填充,以缓解用户数据的稀疏性[2];或者基于用户评分信息,采用机器学习,通过矩阵分解、聚类等算法对用户评分数据进行预处理[3],这些方法也取得了一定效果。

Hinton[4]首先提出的受限玻尔兹曼机(Restricted Boltzmann machine,RBM)模型因其推荐准确度较高,在诸多推荐算法中受到较多关注,是一种较为成功的神经网络模型,从现有研究结果来看,在传统推荐算法中有着较好的表现[5]。为进一步提高玻尔兹曼机推荐算法准确度,目前国内外学者提出了较多优化研究。Salakhutdinov等[5]首次提出双层受限玻尔兹曼机模型,协同过滤算法中引入深度学习算法,模型将用户的评分作为可见层,把用户信息作为隐藏层,构建应用概率模型预测评分。Tran等[6]则把几个不同玻尔兹曼机进行整合,着重分析评分序列参数,这些改进取得了不错的推荐效果。Georgiev等[7]进一步将评分值直接应用于受限玻尔兹曼机的可见层,何洁月等[8]也用同样思路将评分用于可见层,提出基于实值的玻尔兹曼机,这些改进降低了算法的复杂度,但存在可解释性相对较差的问题。……