RBM算法模型应用在推荐系统 Python代码实现

原文链接：http://blog.echen.me/2011/07/18/introduction-to-restricted-boltzmann-machines/

原作者代码地址：https://github.com/echen/restricted-boltzmann-machines

部分翻译：http://www.cnblogs.com/zhangchaoyang/articles/5537643.html

cnblogs上的这篇没有完全翻译，我主要翻译这篇没有提及但我需要用到的部分（就是指这篇译文中缺失的例子部分）。关于RBM概念介绍部分的翻译，请参考：http://www.cnblogs.com/zhangchaoyang/articles/5537643.html ===>这篇文章中有的本文将不再赘述

背景：假设你要求一群用户从0-100分来给一组电影打分。在经典的因子分析中，你可以尝试依据一组隐藏因子来解释每部电影及用户。例如，像星球大战和指环王这类电影与“科幻小说和魔幻”这类隐藏因子可能强相关，而喜欢瓦力和玩具总动员的用户与“皮克斯动画工作室”这一隐藏因子可能强相关。
RBM可以理解为一种二值化的因子分析法（这是对它的一种理解方式，当然还有其他的理解方式及用途，原文作者主要采用二值化因子分析法去解释并实现）。与以往让用户采用一个连续的分数段为电影打分不同的是，这里只是告诉你他们“喜欢”还是“不喜欢”一部电影（1或0），之后RBM将会尝试找到之所以这样去选择电影的隐藏因子。

例如，假设我们有一组共六部电影（哈利·波特、阿凡达、指环王3、角斗士、泰坦尼克号和星梦泪痕）并且让用户告诉我们他们想看哪些。如果我们想学到两个隐藏单元潜在的电影偏好---比如，在我们六部电影里呈现出了两个自然分组：“科幻小说/魔幻”组（包括哈利·波特、阿凡达和指环王3）以及“奥斯卡获得者”组（包括指环王、角斗士和泰坦尼克号），所以我们可能希望我们的隐藏单元将会与这些分组相对应---那么，RBM可能看起来像这样：

假设我们的两个隐藏单元确实与“科幻小说/魔幻”及“奥斯卡获得者”相对应。

如果Alice告诉我们她关于六部电影的二进制偏好值（可视层），我们就可以去问我们的RBM：与她偏好相对应的哪个隐藏单元会被**（1或0）（如：要求RBM依据隐藏因子去解释她的偏好）。所以可视层的六部电影向隐藏单元发送消息，以更新隐藏层。（注意：即使Alice已经声称她想看哈利·波特、阿凡达和指环王3，也不能保证代表“科幻小说/魔幻”的隐藏层会被置1，但是只有那样才会有很大的可能性被置1。这也说得通：在现实世界中，因为Alice想看这三部电影通常使我们非常确信她喜欢“科幻小说/魔幻”类型的，但是，还是有可能因为其他原因使她做出这样的选择。因此，RBM允许我们在这个混乱真实的世界为人生成模型）
反过来，如果我们知道某人喜欢“科幻小说/魔幻”（此时“科幻小说/魔幻”隐藏单元被置1），我们便可以要求这个隐藏单元置1的电影单元RBM（比如，要求它生成一组电影推荐）。所以，隐藏单元向电影单元（可视层）发消息，告诉他们去更新他们的状态。（请再次注意，“科幻小说/魔幻”单元被置1不能保证我们总会推荐这三部电影：哈利·波特、阿凡达和指环王3。因为，你想想，并不是每个喜欢科幻小说的人都喜欢阿凡达）

按照原文作者给出的代码（https://github.com/echen/restricted-boltzmann-machines），让我们来演示一些例子。

首先，我使用一些造的数据来训练RBM：

Alice: (Harry Potter = 1, Avatar = 1, LOTR 3 = 1, Gladiator = 0, Titanic = 0, Glitter = 0). Big SF/fantasy fan（科幻超级迷妹）.
Bob: (Harry Potter = 1, Avatar = 0, LOTR 3 = 1, Gladiator = 0, Titanic = 0, Glitter = 0). SF/fantasy fan, but doesn’t like Avatar（科幻迷，但不喜欢阿凡达）.
Carol: (Harry Potter = 1, Avatar = 1, LOTR 3 = 1, Gladiator = 0, Titanic = 0, Glitter = 0). Big SF/fantasy fan（科幻超级迷）.
David: (Harry Potter = 0, Avatar = 0, LOTR 3 = 1, Gladiator = 1, Titanic = 1, Glitter = 0). Big Oscar winners fan（奥斯卡超级迷）.
Eric: (Harry Potter = 0, Avatar = 0, LOTR 3 = 1, Gladiator = 1, Titanic = 0, Glitter = 0). Oscar winners fan, except for Titanic（奥斯卡迷，但不喜欢泰坦尼克号（译者注：原文此处Titanic = 1有误））.
Fred: (Harry Potter = 0, Avatar = 0, LOTR 3 = 1, Gladiator = 1, Titanic = 1, Glitter = 0). Big Oscar winners fan（奥斯卡超级迷）.

该网络学习到了以下权重：

请注意，第一个隐藏单元看起来对应“奥斯卡获得者”，第二个隐藏单元看起来对应“科幻小说/魔幻”，跟我们预期一致。
如果给RBM一个新的用户输入会发生什么呢？（可视层到隐藏层）比如George, 他的偏好是(Harry Potter = 0, Avatar = 0, LOTR 3 = 0, Gladiator = 1, Titanic = 1, Glitter = 0) ，结果是“奥斯卡获得者”对应的隐藏单元被置1（而不是“科幻小说/魔幻”），正确地猜出乔治可能更喜欢“奥斯卡获得者”类型的电影。
如果我们只**“科幻小说/魔幻”对应的单元，并且让RBM训练一段时间会发生什么呢？（隐藏层到可视层）在我的试验中，有三次哈利·波特、阿凡达和指环王3被置1；有一次阿凡达和指环王3被置1，而哈利波特没有；有两次，哈利·波特和指环王3被置1，而阿凡达没有。注意，给予我们的训练集，这些生成的偏好的确匹配了我们觉得真正的科幻迷想要看的电影。

来源：网络

智能推荐

k-近邻算法python代码实现（非常全）

1、k近邻算法是学习机器学习算法最为经典和简单的算法，它是机器学习算法入门最好的算法之一，可以非常好并且快速地理解机器学习的算法的框架与应用。它是一种经典简单的分类算法，当然也可以用来解决回归问题。 2、kNN机器学习算法具有以下的特点： (1)思想极度简单 (2)应用的数学知识非常少 (3)解决相关问题的效果非常好 (4)可以解释机器学习算法使用过程中的很多细节问题 (5)更加完整地刻画机器学习...

引力搜索算法[附python实现代码]

在求解具有高维搜索空间的优化问题时，由于搜索空间随问题大小呈指数增长，经典优化算法无法提供合适的解，因此使用精确技术（如穷举搜索）来解决这些问题是不可能的实用。完毕在过去的几十年里对受自然现象行为启发的算法越来越感兴趣。许多研究者表明，这些算法非常适合于解决复杂的计算问题，如目标函数的优化、模式识别、控制目标、图像处理、滤波器建模等。到目前为止，研究者们已经采用了各种启发式方法来解决这些问题例如遗...

二叉树（C++模板实现）

一、实验要求 <1>打印出二叉树的三种遍历序。 <2>设计算法按中序次序输出二叉树中各结点的值及其所对应的层次数。 <3>求二叉树的高度。 <4>求二叉树的结点数。 <5>...

语音识别学习记录 [TDNN时延神经网络]

最近了解了卷积神经网络（CNN），CNN是受语音信号处理中时延神经网络（TDNN）影响而发明的。本篇的大部分内容都来自关于TDNN原始文献Waibel A, Hanazawa T, Hinton G, et al. Phoneme recognition using time-delay neural networks[J] （TDNN的原始论文）的理解和整理。该文写与1989年，在识别"...

教你快速推广微信公总号

随着互联网科技的飞速发展，自媒体平台正在发挥着越来越大的影响力，企业进行互联网的品牌建设，一定会通过网络媒体，推广自己在网络中的知名度以及品牌内容，从而形成公众认识的企业品牌形象。同事个人自媒体也在发光发热，多少人在自媒体这个行业里赚到了人生的第一桶金。公总号作为自媒体的代表，自然也吸引了不少人的加入，导致现在的微信公总号也是越来越难做了。现在微信公总号的粉丝价格已经涨到了2-3元一个粉丝的地步。...

猜你喜欢

VMware+ubuntu安装以及使用问题总结（蓝屏，屏幕小，无法操作鼠标）

前言需要使用VMware来创建ubuntu虚拟机。安装VMware 我是参考伪万能的洋桑安装的VMware。但是一定要去官网去下载最新的VMware，如果使用旧版的在打开创建好的虚拟机会出现蓝屏问题。关于**问题，直接搜最新的***即可。安装ubuntu 参考悠悠happy安装ubuntu。这里需要下载iso文件。几个G的那种，不要下载错了。这里想要图形化界面，下载ubuntu-1...

老外写的一个测试用例

Test case example: 　　Test Case ID: CUST.01 　　Function: Add a new Customer 　　Data Assumptions: Customer database has been restored 　　General Description: 　　Add a new customer, via the Customer Add...

编辑距离矩阵及在java中的应用

刚好项目有需求要使用到,了解后觉得挺有意思的就发出来跟大家分享下,主要还是为了以后自己可以回头翻翻,大神勿喷啊下面开始进入正题: 一个原始字符串,经过不断的修改,删除最后变成另外一个字符串,怎么体现出这个字符串的修改痕迹呢,这里面有个最小路径的概念,也就是原始字符串->目标字符串最少要经过多少步骤假设原字符串:src="abCd"; 假设新字符串:dst="...

Eclipse创建maven父工程

1、点击File，选择New --> Maven Project 2、勾选create a simple project(skip archetype selection)，选择Working set，点击Next 3、填写Artifact信息，Packaging选择pom，点击Finish jar为Java工程； pom为父工程 war为Web工程 4、父工程结构...

第四章条件语句

Java条件语句之 if Java条件语句之 if…else Java条件语句之多重 if Java条件语句之嵌套 if Java条件语句之 switch 1、 switch 后面小括号中表达式的值必须是整型或字符型 2、 case 后面的值可以是常量数值，如 1、2；也可以是一个常量表达式，如 2+2 ；但不能是变量或带有变量的表达式，如 a * 2 3、 case 匹配后，执行匹...