1、RBM用於協同過濾演算法介紹

Ruslan Salakhutdinov首次提出了使用RBM求解Netflix競賽中的協同過濾問題。其首先假設協同過濾系統中共有M個使用者以及N個專案，使用者對於某一個專案的偏好由評分表示（1分—K分，分別表示從不喜歡到喜歡的程度），因此可獲得（稀疏性很高）的使用者—專案評分矩陣。矩陣中在第m行第n列位置上的元素表示使用者m對於專案n的評分值。RuslanSalakhutdinov對傳統的受限玻爾茲曼機做了兩點改變以適合處理協同過濾問題。第一，可見單元使用Softmax神經元；第二，某個使用者可能只對M部電影中的一部分電影進行過評分，而對於沒有評分的記錄使用一種特殊的神經元表示，這種神經元不與任何隱單元連線。其具體結構如下：

從圖中可以看出，Softmax神經元為一個長度為K的向量，並且這個向量每次只有一個分量為1，其餘分量則為0。而評分缺失的Softmax神經元可以同樣視為一個長度為K的向量，只不過其所有的分量始終為0。這樣某使用者的評分可以用的矩陣V來表示，表示矩陣V第k行第i列的元素，表示該使用者對於電影i的評分為k，在給定可見單元狀態，隱單元的啟用概率變為：

（2.7）

同理，在給定隱單元狀態，可見單元狀態的啟用概率變為：

1）輸入為某一個使用者u和某一個專案i，希望的目標輸出是使用者u對使用者i的預測評分；

2）將此使用者u的所有評分作為RBM的softmax單元的輸入；

3）根據式（2.7）計算所有隱單元j 的啟用概率；

4）根據式（2.8）為專案i計算每一個評分k(k=1,…,K)所對應的啟用概率；

5）預測使用者u對專案i的評分，取預測的最大值或者取所有概率的期望。

3、程式碼：

..........敬請原諒，未完待續

4、結果

5、總結

可見採用RBM用來做協同過濾推薦的方法的推薦準確度也不及SlopeOne，但是此處只實現了最原始的模型，沒有試基於條件的rbmCF模型。