融合标签的实值条件受限波尔兹曼机推荐算法*

摘要：

针对推荐算法中数据的稀疏性难题,把用户标签融合至实值条件受限玻尔兹曼机(real-valued conditional restricted Boltzmann machine,R_CRBM)模型,利用R_CRBM强大的拟合任意离散分布的能力,预测出用户对未交互商品的评分缺失值.具体来说,首先提出显层单元为实值的R_CRBM模型,接着运用文本分类中的TF-IDF算法预测出用户对所应用过的标签的喜爱度,与标签基因数据相乘得到用户对商品的预测评分,融合至用户历史评分数据中.R_CRBM条件层在原有评分/未评分{0,1}向量中,融入用户标签/未标签{0,1}向量.通过真实数据集进行对比分析,实验结果表明提出的方法在一定程度上提升了推荐的准确性.

关键词：推荐算法、用户标签、标签基因、TF-IDF、实值条件受限玻尔兹曼机(R_CRBM)

所属期刊栏目：13

分类号：TP391(计算技术、计算机技术)

资助基金：The National Natural Science Foundation of China under Grant No. 61571325 国家自然科学基金

在线出版日期：2020-01-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：138-146