[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

权利要求书

1.一种基于RBM模型的推荐方法，其特征在于，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。

2.根据权利要求1所述的方法，其特征在于，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。

3.根据权利要求2所述的方法，其特征在于，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。

4.根据权利要求3所述的方法，其特征在于，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。

5.根据权利要求4所述的方法，其特征在于，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。

6.根据权利要求4所述的方法，其特征在于，所述计算每个所述可见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。

7.根据权利要求3所述的方法，其特征在于，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。

8.一种RBM模型的训练方法，其特征在于，包括：

初始化模型中可见层神经元和隐层神经元之间的连接权重值、所述可见层神经元偏置参数、所述隐层神经元偏置参数；

输入所述可见层神经元样本值；

循环迭代所述隐层神经元，并计算所述隐层神经元的激活概率；

根据所述循环迭代后的隐层神经元反向循环迭代所述可见层神经元，并计算所述可见层神经元的激活概率；

根据所述反向循环迭代后的可见层神经元反向循环迭代所述隐层神经元，并计算所述反向迭代后的隐层神经元的激活概率；

调整所述权重值、所述可见层神经元偏置参数和所述隐层神经元偏置参数；

再次执行上述循环迭代步骤。

9.一种基于RBM模型的推荐装置，其特征在于，包括：

获取模块：用于获取用户对项目的评分区间和训练好的RBM模型；

处理模块：用于根据所述评分区间和所述训练好的RBM模型预测用户对与所述项目相关的项目的评分值；所述处理模块还用于根据所述评分值生成与所述项目相关的项目推荐列表。

10.一种RBM模型的训练装置，其特征在于，包括：

初始化模块：用于初始化模型中可见层神经元和隐层神经元之间的连接权重值、所述可见层神经元偏置参数、所述隐层神经元偏置参数；

所述初始化模块还用于输入所述可见层神经元样本值；

训练模块：用于循环迭代所述隐层神经元，并计算所述隐层神经元的激活概率；

所述训练模块还用于根据所述循环迭代后的隐层神经元反向循环迭代所述可见层神经元，并计算所述可见层神经元的激活概率；

所述训练模块还用于根据所述反向循环迭代后的可见层神经元反向循环迭代所述隐层神经元，并计算所述反向迭代后的隐层神经元的激活概率；

所述训练模块还用于调整所述权重值、所述可见层神经元偏置参数和所述隐层神经元偏置参数。