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 HE Jie-Yue;MA Bei

作者机构：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 

出 版 物：《计算机学报》 (Chinese Journal of Computers)

年 卷 期：2016年第39卷第1期

页      面：183-195页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081201[工学-计算机系统结构] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：江苏省自然科学基金(BK2012742) 软件新技术与产业化协同创新中心部分资助 

主　　题：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 

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.