[en] RECOMMENDER SYSTEMS USING RESTRICTED BOLTZMANN MACHINES

Detalhes bibliográficos
Autor(a) principal: FELIPE JOAO PONTES DA CRUZ
Data de Publicação: 2017
Tipo de documento: Outros
Idioma: por
Título da fonte: Repositório Institucional da PUC-RIO (Projeto Maxwell)
Texto Completo: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=30285@1
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=30285@2
http://doi.org/10.17771/PUCRio.acad.30285
Resumo: [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.
id PUC_RIO-1_6834271ee766b6dd5725519771c479d5
oai_identifier_str oai:MAXWELL.puc-rio.br:30285
network_acronym_str PUC_RIO-1
network_name_str Repositório Institucional da PUC-RIO (Projeto Maxwell)
repository_id_str 534
spelling [en] RECOMMENDER SYSTEMS USING RESTRICTED BOLTZMANN MACHINES [pt] SISTEMAS DE RECOMENDAÇÃO UTILIZANDO MÁQUINAS DE BOLTZMANN RESTRITAS [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[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.[en] Recommender systems can be used in many problems in the real world. Many models were proposed to solve the problem of predicting missing entries in a specific dataset. Two of the most common approaches are neighborhood-based collaborative filtering and latent factor models. A more recent alternative was proposed on 2007 by Salakhutdinov, using Restricted Boltzmann Machines. This models belongs to the family of latent factor models, in which, we model latent factors over the data using hidden binary units. RBMs have shown that they can approximate solutions trained with a traditional matrix factorization model. In this work we ll revisit this proposed model and carefully detail how to model and train RBMs for the problem of missing ratings prediction.MAXWELLRUY LUIZ MILIDIUFELIPE JOAO PONTES DA CRUZ2017-06-13info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/otherhttps://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=30285@1https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=30285@2http://doi.org/10.17771/PUCRio.acad.30285porreponame:Repositório Institucional da PUC-RIO (Projeto Maxwell)instname:Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)instacron:PUC_RIOinfo:eu-repo/semantics/openAccess2017-09-14T00:00:00Zoai:MAXWELL.puc-rio.br:30285Repositório InstitucionalPRIhttps://www.maxwell.vrac.puc-rio.br/ibict.phpopendoar:5342017-09-14T00:00Repositório Institucional da PUC-RIO (Projeto Maxwell) - Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)false
dc.title.none.fl_str_mv [en] RECOMMENDER SYSTEMS USING RESTRICTED BOLTZMANN MACHINES
[pt] SISTEMAS DE RECOMENDAÇÃO UTILIZANDO MÁQUINAS DE BOLTZMANN RESTRITAS
title [en] RECOMMENDER SYSTEMS USING RESTRICTED BOLTZMANN MACHINES
spellingShingle [en] RECOMMENDER SYSTEMS USING RESTRICTED BOLTZMANN MACHINES
FELIPE JOAO PONTES DA CRUZ
[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
title_short [en] RECOMMENDER SYSTEMS USING RESTRICTED BOLTZMANN MACHINES
title_full [en] RECOMMENDER SYSTEMS USING RESTRICTED BOLTZMANN MACHINES
title_fullStr [en] RECOMMENDER SYSTEMS USING RESTRICTED BOLTZMANN MACHINES
title_full_unstemmed [en] RECOMMENDER SYSTEMS USING RESTRICTED BOLTZMANN MACHINES
title_sort [en] RECOMMENDER SYSTEMS USING RESTRICTED BOLTZMANN MACHINES
author FELIPE JOAO PONTES DA CRUZ
author_facet FELIPE JOAO PONTES DA CRUZ
author_role author
dc.contributor.none.fl_str_mv RUY LUIZ MILIDIU
dc.contributor.author.fl_str_mv FELIPE JOAO PONTES DA CRUZ
dc.subject.por.fl_str_mv [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
topic [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
description [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.
publishDate 2017
dc.date.none.fl_str_mv 2017-06-13
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/other
format other
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=30285@1
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=30285@2
http://doi.org/10.17771/PUCRio.acad.30285
url https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=30285@1
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=30285@2
http://doi.org/10.17771/PUCRio.acad.30285
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv MAXWELL
publisher.none.fl_str_mv MAXWELL
dc.source.none.fl_str_mv reponame:Repositório Institucional da PUC-RIO (Projeto Maxwell)
instname:Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)
instacron:PUC_RIO
instname_str Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)
instacron_str PUC_RIO
institution PUC_RIO
reponame_str Repositório Institucional da PUC-RIO (Projeto Maxwell)
collection Repositório Institucional da PUC-RIO (Projeto Maxwell)
repository.name.fl_str_mv Repositório Institucional da PUC-RIO (Projeto Maxwell) - Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)
repository.mail.fl_str_mv
_version_ 1814822601742090240

Registros relacionados