当前位置 : 主页 > 手机开发 > 其它 >

基于RBM受限玻尔兹曼机实现推荐系统

来源:互联网 收集:自由互联 发布时间:2021-05-18
网络零售商利用推荐系统向顾客推荐产品,例如,亚马逊会告诉你购买这个产品的其他顾客对哪些产品感兴趣,Netflix 根据你观看的内容以及其他有同样兴趣的 Netflix 用户观看过的内容向
网络零售商利用推荐系统向顾客推荐产品,例如,亚马逊会告诉你购买这个产品的其他顾客对哪些产品感兴趣,Netflix 根据你观看的内容以及其他有同样兴趣的 Netflix 用户观看过的内容向你推荐电视剧和电影。

这些推荐系统都是基于协同过滤进行推荐的,在协同过滤中,系统根据用户过去的行为建立一个模型。这里利用上一节中的 RBM 模型,建立一个基于协同过滤的推荐系统用于推荐电影。存在的主要问题就是大多数用户不会评价所有的产品/电影,大部分数据是缺失的。如果有 M 个产品和 N 个用户,那么需要建立一个 N×M 的矩阵,矩阵中包括用户已知的评分,未知则置为 0。

准备工作

使用协同过滤构建推荐系统,首先准备数据。

此处使用从 https://grouplens.org/datasets/movielens/ 获取的电影数据为例,该数据由 movies.dat 和 ratings.dat 两个.dat文件组成,movies.dat 文件包含三列,分别为 3883 部电影的影片 ID、标题和类型,ratings.dat 文件包含四列,分别为用户 ID、影片 ID、评分和时长。

现在合并这两个数据文件来构建一个矩阵,其中,每个用户都拥有对所有 3883 个电影的评分。但是用户通常不会对所有电影进行评分,所以只有某些电影的评分是非零的(需要标准化),而其余的则是零,为 0 的这部分将不会对隐藏层产生影响。

具体做法

  1. 使用上一节中创建的 RBM 类。先定义 RBM 网络,可见单元的数量是电影的数量 3883(movies_df 是从 movies.dat 文件读取的数据结构):

     
  2. 使用 Pandas 的 merge 和 groupby 命令创建一个列表 trX,存放 1000 名左右用户的用户影片评分,注意这里进行了标准化,列表大小是 1000×3883,用来训练 RBM:

     
  3. 随着训练次数的增加,cross-logit 误差在减小,如下图所示:

     
  4. 网络训练好后,对随机选择的一个用户(例如 ID 为 150)进行电影推荐:

     
  5. 可以看到这个用户的推荐结果,推荐分数如下:

知识扩展

Geoffrey Hinton 教授带领多伦多大学团队赢得了求解最优协同过滤的 Netflix 竞赛,他们的算法使用 RBM 预测用户对电影的评分(https://en.wikipedia.org/wiki/Netflix_Prize)。他们的工作详情可以从他们的论文中找到,网址为http://www.cs.toronto.edu/~hinton/absps/netflixICML.pdf。

一个 RBM 隐藏单元的输出可以被送到另一个 RBM 的可见单元,重复这个过程就形成了堆叠 RBM,堆叠 RBM 中的每一个 RBM 都是独立训练的,无视其他 RBM 的存在。深度信任网络(DBN)就是由一系列 RBM 堆叠而成,DBN 可以使用有监督或无监督的方法进行训练,下一节中将了解更多信息。
网友评论