论文部分内容阅读
近年来，从海量数据中学习出数据的潜在特征层次已成为机器学习领域中的热点，深度学习就是旨在解决这一问题的一种无监督学习方法。随着深度学习的广泛应用，其构成基础——玻尔兹曼机学习也越来越受到人们的关注。本文详细阐述了广义玻尔兹曼机模型的通用学习方法，重点研究了玻尔兹曼机学习的两种扩展应用:受限玻尔兹曼机和深度玻尔兹曼机。本文将受限玻尔兹曼机在协同过滤中进行建模，并将其应用于KDD CUP中，实验结果表明该模型的推荐准确率要高于其它单个的推荐模型。当前已知的深度玻尔兹曼机算法并没有充分利用所有数据，本文提出的充分信息量的深度玻尔兹曼机学习算法可以有效地解决这个问题，MNIST数据集上的实验结果表明我们的学习算法是有效的。