利用社交关系的实值条件受限玻尔兹曼机协同过滤推荐算法

利用受限玻尔兹曼机（Restricted Boltzmann Machine,RBM）解决推荐问题已成为一个很有意义的研究方向.目前用于推荐的RBM模型中使用的仅仅是用户评分数据,但用户评分数据存在着严重的数据稀疏性问题.随着互联网对人们生活的不断渗透,社交网络已经成为人们生活中不可缺少的一部分,利用社交网络中的好友信任关系,有助于缓解评分数据的稀疏性问题,提高推荐系统的性能.因此,该文首先提出基于实值的状态玻尔兹曼机（Real-Valued Conditional Restricted Boltzmann Machine,RCRBM）模型,此模型不需要将评分数据转化为一个K维的0-1向量,并且RCRBM模型在训练过程中使用了训练数据中潜在的评分/未评分信息;同时该文将最近信任好友关系应用到RCRBM模型推荐过程中.在百度数据集和Epinions数据集上的实验结果表明RCRBM模型和引入的最近信任好友关系均有助于提高推荐系统的预测精度;最后,针对大数据环境下,普通平台很难完成RCRBM模型训练的问题,该文提出基于Spark的并行化方案,较好地解决了该问题.