[en] RECOMMENDER SYSTEMS USING RESTRICTED BOLTZMANN MACHINES

• Ano de defesa: 2017
• Autor(a) principal: FELIPE JOAO PONTES DA CRUZ
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: MAXWELL
• Palavras-chave em Português: [pt] APRENDIZADO DE MAQUINA; [pt] MAQUINAS DE BOLTZMANN RESTRITAS; [pt] SISTEMAS DE RECOMENDACAO; [pt] FILTRAGEM COLABORATIVA; [en] MACHINE LEARNING; [en] RECOMMENDER SYSTEMS; [en] COLLABORATIVE FILTERING
• Link de acesso: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=30285&idi=1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=30285&idi=2; http://doi.org/10.17771/PUCRio.acad.30285

[pt] Sistemas de recomendação aparecem em diversos domínios do mundo real. Vários modelos foram propostos para o problema de predição de entradas faltantes em um conjunto de dados. Duas das abordagens mais comuns são filtragem colaborativa baseada em similaridade e modelos de fatores latentes. Uma alternativa, mais recente, foi proposta por Salakhutdinov em 2007, usando máquinas de Boltzmann restritas, ou RBMs. Esse modelo se encaixa na família de modelos de fatores latentes, no qual, modelamos fatores latentes dos dados usando unidades binárias na camada escondida das RBMs. Esses modelos se mostraram capazes de aproximar resultados obtidos com modelos de fatoração de matrizes. Nesse trabalho vamos revisitar esse modelo e detalhar cuidadosamente como modelar e treinar RBMs para o problema de predição de entradas vazias em dados tabulares.