基于受限玻尔兹曼机(RBM)的协同过滤

  • 时间:
  • 浏览:0

  R. R. Salakhutdinov等人提出了有三种使用RBM来进行协同过滤的土土办法:

  这样 单元V和隐藏单元h的条件概率为:

  参考文献:

  

3. 条件RBM(Conditional Restricted Boltzmann Machine)

  权重D的学习过程为:

  [3]. 受限玻尔兹曼机(RBM)简介

  

  

  [2]. Gilles Louppe, Pierre Geurts. Collaborative filtering: Scalable approaches using restricted Boltzmann machines

  

  

  

  其中的r是八个 多多m维的向量, ri为1代表用户对浏览过第i个电影, 加入r后的模型的条件概率为:

  [1]. Ruslan Salakhutdinov, Andriy Mnih, Geoffrey Hinton. Restricted Boltzmann Machines for Collaborative Filtering. 1007, ICML.

2. 基于RBM的协同过滤

  该模型如下图所示:

  假设有m个电影, 则使用m个softmax单元来作为可见单元来构造RBM.  对于每个用户使用不同的RBM, 哪几个不同的RBM仅仅是可见单元不同, 不可能 不同的用户会对不同的电影打分, 所有的哪几个RBM的可见单元共用相同的偏置以及和隐藏单元的连接权重W. 该土土办法很好的除理了已经 提到的疑问:

  受限玻尔兹曼机是有三种生成式随机神经网络(generative stochastic neural network), 完全介绍可见我的博文《受限玻尔兹曼机(RBM)简介》, 本文主要介绍RBM在协同过滤的应用。

  

  传统的受限玻尔兹曼机是有三种如下图所示, 其由一些可见单元(visible unit,对应可见变量,亦即数据样本)和一些隐藏单元(hidden unit,对应隐藏变量)构成,可见变量和隐藏变量完会二元变量,亦即其状态取{0,1}。整个网络是八个 多多二部图,可以了可见单元和隐藏单元之间才会指在边,可见单元之间以及隐藏单元之间完会会有边连接。

1. 受限玻尔兹曼机简单介绍

  训练完模型后, 计算用户对未评价物品的预测评分的算法为:

  

  模型参数的学习过程非常之类RBM的DC算法:

  以上的RBM只用到了用户对电影的评分, 忽视了另外有三种非常重要的信息: 用户浏览过哪几个电影(已经 没打分, 不可能 打分未知), 条件RBM把你你这种 信息也进行了建模:

  将该模型应用到协同过滤可以了除理以下八个 多多疑问: