基于RBM受限玻尔兹曼机实现推荐系统

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。