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-计算机学报.PDF

第 卷 第 期 计 算 机 学 报 ３９ １ 　 　　 　　 　　 　　 Ｖｏｌ．３９ Ｎｏ．１ 年 月 ２０１６ １ ＣＨＩＮＥＳＥＪＯＵＲＮＡＬＯＦＣＯＭＰＵＴＥＲＳ Ｊａｎ．２０１６ 　 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 何洁月 马 贝 　　 　 （东南大学计算机科学与工程学院 南京 ２１００９６） 　 　 （东南大学计算机网络和信息集成教育部重点实验室 南京 ２１００９６） 　 　 摘 要 利用受限玻尔兹曼机（ ， ）解决推荐问题已成为一个很有意义的研究方 ＲｅｓｔｒｉｃｔｅｄＢｏｌｔｚｍａｎｎＭａｃｈｉｎｅＲＢＭ 　 　 向 目前用于推荐的 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 ． ＲＢＭ ． 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 ． （ ，＿ ）模型，此模型不需要将评分数据转化为一个 ＲｅａｌＶａｌｕｅｄＣｏｎｄｉｔｉｏｎａｌＲｅｓｔｒｉｃｔｅｄＢｏｌｔｚｍａｎｎＭａｃｈｉｎｅＲＣＲＢＭ 犓 维的 向量，并且 ＿ 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 ０１ ＲＣＲＢＭ 好友关系应用到 ＿ 模型推荐过程中 在百度数据集和 数据集上的实验结果表明 ＿ 模型和 ＲＣＲＢＭ ． Ｅｉｎｉｏｎｓ Ｒ ＣＲＢＭ ｐ 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 ＿ 模型训练的问题，该文提出基于 的并行化方案，较好地解决了该问题 ＲＣＲＢＭ Ｓａｒｋ ． ｐ 关键词 受限玻尔兹曼机；数据稀疏性；＿ ；社交网络；信任关系；大数据 ＲＣＲＢＭ 　 中图法分类号 号 ／ ＴＰ３９３ 犇犗犐 １０．１１８９７ＳＰ．Ｊ．１０１６．２０１６．００１８３ 　　　 犅犪狊犲犱狅狀犚犲犪犾犞犪犾狌犲犱犆狅狀犱犻狋犻狅狀犪犾犚犲狊