[發明專利]基于RBM模型的推薦方法、RBM模型的訓練方法及裝置

在審

• 申請號: 201810771569.6
• 申請日: 2018-07-13
• 公開（公告）號: CN108846479A
• 公開（公告）日: 2018-11-20
• 發明（設計）人: 穆瑞輝;曾曉勤;相林
• 申請（專利權）人: 河海大學
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06F17/30;G06Q30/06
• 代理公司: 北京超凡志成知識產權代理事務所(普通合伙) 11371
• 代理人: 王術蘭

本發明提供基于RBM模型的推薦方法、RBM模型的訓練方法及裝置，所述推薦方法包括：獲取預設的用戶對項目的評分區間；獲取預先訓練好的RBM模型；根據所述評分區間和所述預先訓練好的RBM模型預測用戶對與所述項目相關的項目的評分值；根據所述評分值生成與所述項目相關的項目的推薦列表。通過所述基于RBM模型的推薦方法，由于所述RBM模型能夠很好的擬合數據，所以能解決個性化推薦方法中的數據稀疏性和冷啟動問題，提高個性化推薦的準確度和精確度。

技術領域

本發明涉及計算機技術領域，具體而言，涉及基于RBM模型的推薦方法、RBM模型的訓練方法及裝置。

背景技術

隨著互聯網和電子商務發展，個性化推薦運用于各式各樣的平臺或環境下，它以海量數據挖掘為基礎，可以為顧客提供個性化的信息服務和決策支持。

隨著個性化推薦的發展，越來越多的個性化推薦方法也隨之出現，但是由于傳統的個性化推薦方法中大多數基于學習的方法，存在數據稀疏性和冷啟動問題，個性化推薦方法的準確度和精準度不高。

發明內容

為了克服上述現有技術中的不足，本發明提供一種基于RBM模型的推薦方法及裝置、RBM模型的訓練方法及裝置。

為了實現上述目的，本發明實施例所提供的技術方案如下所示：

第一方面，本發明實施例提供一種基于RBM模型的推薦方法，所述方法包括：獲取預設的用戶對項目的評分區間；獲取預先訓練好的RBM模型；根據所述評分區間和所述預先訓練好的RBM模型預測用戶對與所述項目相關的項目的評分值；根據所述評分值生成與所述項目相關的項目的推薦列表。

通過所述基于RBM模型的推薦方法，由于所述RBM模型能夠很好的擬合數據，能解決個性化推薦方法中的數據稀疏性和冷啟動問題，提高個性化推薦的準確度和精確度。

進一步的，所述獲取預先訓練好的RBM模型，包括：

獲取用戶對所述項目的真實評分值；把所述真實評分值作為RBM模型中可見層神經元的輸入樣本對RBM模型進行訓練。

進一步的，所述把所述真實評分值作為RBM模型中可見層神經元的輸入樣本對RBM進行訓練的步驟包括:

初始化RBM模型中可見層神經元和隱層神經元之間的權重值，以及所述可見層神經元的偏置參數和所述隱層神經元的偏置參數；根據所述輸入樣本、所述權重值和所述偏置參數對所述隱層神經元和所述可見層神經元分別進行循環迭代；調整所述權重值、所述可見層神經元的偏置參數和所述隱層神經元的偏置參數根據調整后的所述權重值、所述可見層神經元的偏置參數和所述隱層神經元的偏置參數再次執行上述的所述循環迭代步驟。

進一步的，對所述隱層神經元和所述可見層神經元進行循環迭代的步驟包括：

循環迭代全部所述隱層神經元，計算每個所述隱層神經元的激活概率；根據循環迭代后的所述隱層神經元狀態，反向循環迭代所述可見層神經元，計算每個所述可見層神經元的激活概率；根據循環迭代后的可見層神經元狀態，再次反向循環迭代所述隱層神經元，計算每個所述隱層神經元的激活概率。

進一步的，所述計算每個所述隱層神經元的激活概率的步驟包括：

根據所述可見層神經元的值、所述隱層神經元的值、所述可見層神經元偏置參數、所述隱層神經元偏置參數、以及所述可見神經元和所述隱層神經元之間的權重值計算所述激活概率。

進一步的，調整所述權重值、所述可見層神經元的偏置參數和所述隱層神經元的偏置參數的步驟包括：

根據所述可見層神經元的值、所述隱層神經元的值和學習速率調整所述權重值；根據所述可見層神經元的值和學習速率調整所述可見層神經元的偏置參數；根據所述隱層神經元的值和學習速率調整所述隱層神經元的偏置參數。