Recomendação com RBMs
Recomendação
?
?
?
?
?
?
?
?
RBMs
RBM
- Não supervisionado (geralmente)
- Modelo baseado em Energia
- Aprendizado é o ajuste das energias aos exemplos
p (h_{i} = 1 | V) = \sigma (c_{i} + W_{i}v)
p (h_{i} = 1 | V) = \sigma (c_{i} + W_{i}v)
Compara probabilidade com um valor sorteado da distribuição uniforme
- Se for maior h = 1
- Se for menor h = 0
FC & RBMs
Diferenças
- Entrada com nós "softmax"
- Uma RBM por usuário
- Usuários que avaliaram mesmos itens compartilham pesos entre nós de entrada e da camada escondida
- Apenas um item no dataset de entrada, que são as avaliações de um usuário
Item 1
Item 2
Item 3
Em detalhe
- 5 nós binários, um pra cada nota
- Um peso e um viés de entrada para cada nota de 1 a 5
Predição
- Calcular energias dos ratings e escolhe-se o rating com maior energia
- Obter energia dos 5 ratings possíveis, normalizar e usar o valor esperado como predição
Referências
-
Ruslan Salakhutdinov, Andriy Mnih and Geoffrey Hinton. “Restricted Boltzmann machines for collaborative filtering”. In: In Machine Learning, Proceedings of the Twenty-fourth International Conference (ICML 2004). ACM. AAAI Press, 2007, pp. 791–798.
-
Geoffrey E. Hinton. “A Practical Guide to Training Restricted Boltzmann Machines”. In: Neural Networks: Tricks of the Trade - Second Edition. 2012, pp. 599–619. doi: 10.1007/978-3-642-35289-8_32. url: http: //dx.doi.org/10.1007/978-3-642-35289-8_32.
Fim
Perguntas?
fcruz@inf.puc-rio.br