[发明专利]基于RBM模型的推荐方法、RBM模型的训练方法及装置

说明书

本发明提供基于RBM模型的推荐方法、RBM模型的训练方法及装置，所述推荐方法包括：获取预设的用户对项目的评分区间；获取预先训练好的RBM模型；根据所述评分区间和所述预先训练好的RBM模型预测用户对与所述项目相关的项目的评分值；根据所述评分值生成与所述项目相关的项目的推荐列表。通过所述基于RBM模型的推荐方法，由于所述RBM模型能够很好的拟合数据，所以能解决个性化推荐方法中的数据稀疏性和冷启动问题，提高个性化推荐的准确度和精确度。

技术领域

本发明涉及计算机技术领域，具体而言，涉及基于RBM模型的推荐方法、RBM模型的训练方法及装置。

背景技术

随着互联网和电子商务发展，个性化推荐运用于各式各样的平台或环境下，它以海量数据挖掘为基础，可以为顾客提供个性化的信息服务和决策支持。

随着个性化推荐的发展，越来越多的个性化推荐方法也随之出现，但是由于传统的个性化推荐方法中大多数基于学习的方法，存在数据稀疏性和冷启动问题，个性化推荐方法的准确度和精准度不高。

发明内容

为了克服上述现有技术中的不足，本发明提供一种基于RBM模型的推荐方法及装置、RBM模型的训练方法及装置。

为了实现上述目的，本发明实施例所提供的技术方案如下所示：

第一方面，本发明实施例提供一种基于RBM模型的推荐方法，所述方法包括：获取预设的用户对项目的评分区间；获取预先训练好的RBM模型；根据所述评分区间和所述预先训练好的RBM模型预测用户对与所述项目相关的项目的评分值；根据所述评分值生成与所述项目相关的项目的推荐列表。

通过所述基于RBM模型的推荐方法，由于所述RBM模型能够很好的拟合数据，能解决个性化推荐方法中的数据稀疏性和冷启动问题，提高个性化推荐的准确度和精确度。

进一步的，所述获取预先训练好的RBM模型，包括：

获取用户对所述项目的真实评分值；把所述真实评分值作为RBM模型中可见层神经元的输入样本对RBM模型进行训练。

进一步的，所述把所述真实评分值作为RBM模型中可见层神经元的输入样本对RBM进行训练的步骤包括:

初始化RBM模型中可见层神经元和隐层神经元之间的权重值，以及所述可见层神经元的偏置参数和所述隐层神经元的偏置参数；根据所述输入样本、所述权重值和所述偏置参数对所述隐层神经元和所述可见层神经元分别进行循环迭代；调整所述权重值、所述可见层神经元的偏置参数和所述隐层神经元的偏置参数根据调整后的所述权重值、所述可见层神经元的偏置参数和所述隐层神经元的偏置参数再次执行上述的所述循环迭代步骤。

进一步的，对所述隐层神经元和所述可见层神经元进行循环迭代的步骤包括：

循环迭代全部所述隐层神经元，计算每个所述隐层神经元的激活概率；根据循环迭代后的所述隐层神经元状态，反向循环迭代所述可见层神经元，计算每个所述可见层神经元的激活概率；根据循环迭代后的可见层神经元状态，再次反向循环迭代所述隐层神经元，计算每个所述隐层神经元的激活概率。

进一步的，所述计算每个所述隐层神经元的激活概率的步骤包括：

根据所述可见层神经元的值、所述隐层神经元的值、所述可见层神经元偏置参数、所述隐层神经元偏置参数、以及所述可见神经元和所述隐层神经元之间的权重值计算所述激活概率。

进一步的，调整所述权重值、所述可见层神经元的偏置参数和所述隐层神经元的偏置参数的步骤包括：

根据所述可见层神经元的值、所述隐层神经元的值和学习速率调整所述权重值；根据所述可见层神经元的值和学习速率调整所述可见层神经元的偏置参数；根据所述隐层神经元的值和学习速率调整所述隐层神经元的偏置参数。