基于受限玻尔兹曼机的协同过滤推荐算法研究

发布时间：2024-02-22 00:30

　　随着移动互联网技术的快速发展,网络信息呈爆炸式增长。用户面对海量复杂且冗余的数据时,用户往往无法快速寻找到有用的信息,这便会造成“信息过载”的问题。为了解决信息过载问题,推荐系统应运而生。推荐系统通过提取项目特征和收集用户的历史行为信息,然后结合相关推荐算法为用户推荐感兴趣的项目。推荐算法是推荐系统的灵魂,其中协同过滤算法是目前应用最广泛的推荐算法。然而协同过滤算法也存在着一些不足之处,如处理高度稀疏的数据集时,会导致推荐系统的精度下降从而出现数据稀疏性问题;还有处理大规模数据集时,计算效率过低导致推荐效率下降从而出现可扩展性问题。因此,如何解决数据稀疏性和算法可扩展性问题对协同过滤算法研究具有重要意义。本文以基于受限玻尔兹曼机的协同过滤推荐算法为基础,结合用户信任度、项目时间权重、多源信息聚类算法和Hadoop平台进行研究。本文的主要工作和创新如下:1.针对协同过滤推荐系统中存在的数据稀疏性问题。本文首先以用户信任度和项目时间权重为基础,改进了用户之间的相似度计算公式,然后结合多源信息聚类算法进行评分预测;同时本文也改进了受限玻尔兹曼机模型的可见层,用高斯分布单元替代二值单元,改进后...

【文章页数】：70 页

【学位级别】：硕士

【部分图文】：

图4.215门课程的IRS值

基于受限玻尔兹曼机协同过滤和Hadoop-Mahout的课程推荐算法的研究Android攻城狮的第一门课（入门篇）9.62.0609036920.2881.886078857Linux达人养成计划I9.64.5792196000.1504252.3112119....

图5.7单、双、三节点执行推荐算法运行时间对比

基于受限玻尔兹曼机协同过滤和Hadoop-Mahout的课程推荐算法的研究图5.65MB文件推荐结果Fig.5.65MBfilerecommendationresults从输出结果看出，对用户1的推荐课程为2号、11号、12号课程，推荐指数分为182....

图4-2CRBM-CR看待评分数据的视角：将评分记录进一步划分出浏览记录和购买记录

基于受限玻尔兹曼机的协同推荐算法研究35为分别借用了协同过滤问题和单类协同过滤问题的受限玻尔兹曼机模型，本文分别将这两种思路对应的算法简记为RBM-CF2CR和RBM-OCCF2CR。上述RBM-CF2CR和RBM-OCCF2CR实际上代表了我们看待训练数据（评分矩阵）的两种视角....

图４－５?ＣＲＢＭ图模型??条件受限玻尔兹曼机（ＣＲＢＭ）加入了评分／未评分信息，ｒ表示评分／未评分信??息，ｒ＝０表示未评分，ｒ＝ｌ表示己评分，１？将影响隐藏层单元状态

基于协同过滤的推荐算法研究??基于受限玻尔兹曼机的协同过滤??Ａｆｌ，?＝／（＜Ｖ，．?＞ｄａｔ〇?－＜Ｖ，．?＞，．ｅｃＪ??ａ６；?＞ｄａｌａ?－＜ｈｊ?＞ｒｅｃＪ??８?Ｅｎｄ?ｆｏｒ??９?Ｔ＝Ｔ－１??１０?Ｅｎｄ?Ｗｈｉｌｅ???４．?２．?３条件受限玻尔兹曼机协同过....

本文编号：3906120