技術(shù)特征：

1.一種基于受限玻爾茲曼機(jī)的文本業(yè)務(wù)推薦方法，其特征是應(yīng)用于由數(shù)據(jù)庫(kù)、服務(wù)器和客戶端所構(gòu)成的一個(gè)推薦環(huán)境中，所述推薦方法是按如下步驟進(jìn)行：

步驟1、利用客戶端獲取用戶A的需求信息，并根據(jù)所述需求信息從所述數(shù)據(jù)庫(kù)中匹配相應(yīng)的相似信息；

步驟2、利用分詞工具對(duì)所述用戶A的需求信息和相似信息進(jìn)行分詞，得到所述用戶A的需求文檔D₀；

步驟3、利用LDA主題模型對(duì)所述需求文檔D₀進(jìn)行主題提取，得到所述用戶A的n個(gè)主題，記為T_i^A表示所述用戶A的第i個(gè)主題；并有表示所述用戶A的第i個(gè)主題的第j個(gè)主題詞，表示所述用戶A的第i個(gè)主題的第j個(gè)主題詞的權(quán)重；1≤i≤n；1≤j≤m；

步驟4、對(duì)所述用戶A的第i個(gè)主題的m個(gè)主題詞分別設(shè)置相應(yīng)的權(quán)值，記為表示所述用戶A的第i個(gè)主題的第j個(gè)主題詞的權(quán)值；

步驟5、計(jì)算主題詞集合C出現(xiàn)的次數(shù)：

步驟5.1、對(duì)所述用戶A的n個(gè)主題中所有主題詞取并集，得到所述用戶A的主題詞集合C＝{c₁,c₂,...,c_k,...,c_K}，c_k表示所述用戶A的第k個(gè)主題詞，1≤k≤K；

步驟5.2、利用所述用戶A的主題詞集合C＝{c₁,c₂,...,c_k,...,c_K}與所述用戶A的第i個(gè)主題計(jì)算主題詞集合C中第k個(gè)主題詞c_k在主題T_i^A中主題詞出現(xiàn)的次數(shù)r_k；從而得到所述用戶A的主題詞集合C中每一主題詞在所有主題的主題詞出現(xiàn)的次數(shù)R＝{r₁,r₂,...,r_k,...,r_K}；

步驟6、定義更新變次數(shù)為s，并初始化s＝0；利用式(1)獲得第s次更新的第k個(gè)主題詞c_k的加權(quán)平均權(quán)重從而獲得第s次更新的K個(gè)主題詞的初始加權(quán)平均權(quán)重

${\stackrel{\‾}{w}}_k^s=\frac{{\mathrm{\Σw}}_j^{i,A,k}\×I_j^{i,A,k}}{r_k}---\left(1\right)$

式(1)表示在所述用戶A的主題詞集合C中與第k個(gè)主題詞c_k相同的所有主題詞的權(quán)重和權(quán)值的乘積之和，式(1)中，表示與第k個(gè)主題詞c_k相同的第i個(gè)主題的第j個(gè)主題詞的權(quán)重，表示與第k個(gè)主題詞c_k相同的第i個(gè)主題的第j個(gè)主題詞的權(quán)值；

步驟7、構(gòu)建所述用戶A的RBM主題偏好模型；

步驟7.1、所述RBM主題偏好模型的第一層為可見(jiàn)層、第二層為隱藏層；所述可見(jiàn)層包含K個(gè)可見(jiàn)單元，并將所述第s次更新的K個(gè)主題詞的加權(quán)平均權(quán)重作為所述K個(gè)可見(jiàn)單元的輸入值；所述隱藏層包含L個(gè)隱層單元，記為h＝{h₁,h₂,...,h_l,...,h_L}，h_l表示第l個(gè)隱層單元，1≤l≤L；

步驟7.2、隨機(jī)初始化第s次更新的可見(jiàn)層和隱藏層之間的權(quán)重，記為W_s；其中，記第s次更新的可見(jiàn)層中第k個(gè)可見(jiàn)單元與第l個(gè)隱層單元之間的權(quán)重為

步驟7.3、利用式(2)得到所述用戶A的主題偏好模型的第s次更新的第l個(gè)隱層單元h_l的值從而得到所有隱層單元的值

$v_l^s=\frac{1}{1+\exp (-\underset{k=1}{\overset{K}{\Σ}}{\stackrel{\‾}{w}}_k^s\×{\left(W_k^l\right)}_s)}---\left(2\right)$

步驟7.4、利用式(3)得到所述用戶A的主題偏好模型的第s+1次更新的第k個(gè)可見(jiàn)單元的值從而得到題偏好模型的第s+1次更新的所有可見(jiàn)單元的值

式(3)中，表示調(diào)節(jié)參數(shù)；

步驟7.5、利用式(4)更新第s次更新的第k個(gè)可見(jiàn)單元和第l個(gè)隱層單元之間的權(quán)重得到第s+1次更新的第k個(gè)可見(jiàn)層和第l個(gè)隱藏層之間的權(quán)重為從而得到所有可見(jiàn)層與隱層之間的權(quán)重W_s+1：

${\left(W_k^l\right)}_{s+1}={\left(W_k^l\right)}_s+\mathrm{\η}({\stackrel{\‾}{w}}_k^s\×v_l^s-{\stackrel{\‾}{w}}_k^{s+1}\×v_l^{s+1})---\left(4\right)$

式(4)中，η表示學(xué)習(xí)速率；

步驟7.6、將s+1賦值給s，并返回步驟7.3順序執(zhí)行，直到所有可見(jiàn)層與隱層之間的權(quán)重收斂為止；

步驟8、從所述數(shù)據(jù)庫(kù)中獲取所述用戶A的近鄰用戶，記為U＝{u₁,u₂,...,u_z,...,u_Z}，u_z表示所述用戶A的第z個(gè)近鄰用戶，1≤z≤Z；

步驟9、建立所述用戶A的近鄰用戶U的RBM主題偏好模型及預(yù)測(cè)所有未知主題詞的加權(quán)平均權(quán)重：

步驟9.1、按照步驟1獲取所述用戶A的第z個(gè)近鄰用戶u_z的需求信息和相似信息，并分別按照步驟2與步驟3得到第z個(gè)近鄰用戶u_z的需求文檔D_z及n_z個(gè)主題；

步驟9.2、對(duì)所述第z個(gè)近鄰用戶u_z的n_z個(gè)主題中所有主題詞分別設(shè)置相應(yīng)的權(quán)值，從而利用式(1)獲得第z個(gè)近鄰用戶u_z的n_z個(gè)主題的所有主題詞的初始加權(quán)平均權(quán)重；

步驟9.3、按照步驟7構(gòu)建所述用戶A的第z個(gè)近鄰用戶u_z的RBM主題偏好模型；從而得到所述用戶A的所有近鄰用戶的RBM主題偏好模型；

步驟9.4、將所述用戶A的所有鄰居用戶的相應(yīng)主題詞做并集后再與所述用戶A的所有主題詞做差集，得到待預(yù)測(cè)主題詞集合，記為G＝{g₁,g₂,...,g_e,...,g_E}；g_e表示第e個(gè)待預(yù)測(cè)主題詞；1≤e≤E；

步驟9.5、利用式(5)得到第e個(gè)待預(yù)測(cè)主題詞g_e所在的RBM主題偏好模型的可視層中，與第e個(gè)待預(yù)測(cè)主題詞g_e相對(duì)應(yīng)的可視單元與第l個(gè)隱層單元的平均權(quán)重

${\stackrel{\‾}{W}}_{g_e}^l=\frac{\mathrm{\Σ}{\left(W_{g_e}^l\right)}_U}{\left|U^{g_e}\right|}---\left(5\right)$

式(6)中，表示在所述近鄰用戶U中包含第e個(gè)待預(yù)測(cè)主題詞g_e的所有近鄰用戶的第e個(gè)待預(yù)測(cè)主題詞g_e相對(duì)應(yīng)的可視單元與第l個(gè)隱層單元的權(quán)重之和；表示所述近鄰用戶U中包含第e個(gè)待預(yù)測(cè)主題詞g_e的所有近鄰用戶的數(shù)量；

步驟9.6、利用式(6)預(yù)測(cè)得到所述用戶A的第e個(gè)待預(yù)測(cè)主題詞g_e的加權(quán)平均權(quán)重從而得到所述用戶A的所有待預(yù)測(cè)主題詞的加權(quán)平均權(quán)重：

${\stackrel{\‾}{w}}_{g_e}=\exp (\underset{l=1}{\overset{L}{\Σ}}{v}_l^{s*}\×{\stackrel{\‾}{W}}_{g_e}^l)+\mathrm{\ξ}---\left(6\right)$

式(7)中，ξ為另一個(gè)調(diào)節(jié)參數(shù)；表示收斂時(shí)第l個(gè)隱層單元h_l的值

步驟10、構(gòu)建所述用戶A的RBM未知偏好主題預(yù)測(cè)模型；

步驟10.1、去除所述用戶A的所有待預(yù)測(cè)主題詞的加權(quán)平均權(quán)重中若干個(gè)較小值，得到所述用戶A的未知偏好主題詞，記為G'＝{g₁',g₂',...,g_f',...,g_F'}；1≤F≤E；

步驟10.2、對(duì)所述用戶A的第z個(gè)近鄰用戶u_z的第α個(gè)主題的主題詞與所述未知偏好主題詞G'取交集，得到的集合記為集合的大小，記為從而得到第z個(gè)近鄰用戶u_z的所有主題的主題詞與所述主題詞G'的交集的大小，記為集合進(jìn)而得到所有近鄰用戶U＝{u₁,u₂,...,u_z,...,u_Z}的所有主題的主題詞與所述主題詞G'的交集的大小

步驟10.3、對(duì)第z個(gè)近鄰用戶u_z的集合中所有元素進(jìn)行求和，得到的值記為從而對(duì)所有近鄰用戶H^U中所有元素進(jìn)行求和，得到的值的集合，記為

步驟10.4、對(duì)H中的值進(jìn)行降序排序，將前M個(gè)最大的值所對(duì)應(yīng)的M個(gè)近鄰用戶的主題，作為所述用戶A的預(yù)測(cè)主題的范圍；

步驟10.5、對(duì)所述M個(gè)近鄰用戶中的任意一個(gè)近鄰用戶的任意一個(gè)主題的所有主題詞，與所述主題詞G'作交集，得到交集集合中的主題詞個(gè)數(shù)；從而得到所述M個(gè)近鄰用戶中的任意一個(gè)近鄰用戶的所有主題的主題詞與所述主題詞G'作交集后的主題詞個(gè)數(shù)；進(jìn)而得到M個(gè)近鄰用戶所有主題的主題詞與所述主題詞G'作交集后的主題詞個(gè)數(shù)；

步驟10.6、對(duì)M個(gè)近鄰用戶所有主題的主題詞與所述主題詞G'作交集后的主題詞個(gè)數(shù)進(jìn)行降序排序，將前N個(gè)最大的值所對(duì)應(yīng)的主題，作為所述用戶A的預(yù)測(cè)偏好主題；

步驟11、更新所述用戶A的預(yù)測(cè)偏好主題的主題詞的權(quán)重；

步驟11.1、判斷所述用戶A的任一預(yù)測(cè)偏好主題的主題詞是否出現(xiàn)在主題詞G'中，若是，則執(zhí)行步驟11.2，否則表示出現(xiàn)在主題詞C中，并執(zhí)行步驟11.3；

步驟11.2、利用式(1)計(jì)算所述用戶A的任一預(yù)測(cè)偏好主題的主題詞在所述主題詞G'的權(quán)重，其中，r_k取值為任一預(yù)測(cè)偏好主題所在近鄰用戶的所有主題中與所述用戶A的第k個(gè)主題詞c_k相同的主題詞出現(xiàn)的次數(shù)，取值為第k個(gè)主題詞c_k在任一預(yù)測(cè)偏好主題所在近鄰用戶的所有主題中的平均權(quán)值；

步驟11.3、利用式(1)計(jì)算所述用戶A的任一預(yù)測(cè)偏好主題的主題詞在所述主題詞C＝{c₁,c₂,...,c_k,...,c_K}中的權(quán)重，其中，r_k取值為所述用戶A的所有主題中第k個(gè)主題詞c_k出現(xiàn)的次數(shù)，取值為第k個(gè)主題詞c_k在所述用戶A的所有主題中的平均權(quán)值；

步驟11.4、重復(fù)步驟11.1，從而計(jì)算任一預(yù)測(cè)偏好主題的所有主題詞的權(quán)重；進(jìn)而得到N個(gè)預(yù)測(cè)偏好主題的所有主題詞的權(quán)重；

步驟12、從所述數(shù)據(jù)庫(kù)中取出所有待推薦業(yè)務(wù)，記為O＝{O₁,O₂,...,O_b,...,O_B}，O_b表示第b個(gè)待推薦業(yè)，1≤b≤B；

步驟13、根據(jù)所述第b個(gè)待推薦業(yè)務(wù)O_b從所述數(shù)據(jù)庫(kù)中匹配相應(yīng)的相似信息；

步驟14、利用分詞工具對(duì)所述第b個(gè)待推薦業(yè)務(wù)O_b和相似信息進(jìn)行分詞，得到所述第b個(gè)待推薦業(yè)務(wù)O_b的初始文檔D₀'；

步驟15、利用LDA主題模型對(duì)所述初始文檔D₀'進(jìn)行主題提取，得到所述第b個(gè)待推薦業(yè)務(wù)O_b的n'個(gè)主題，記為表示所述第b個(gè)待推薦業(yè)務(wù)O_b的第i'個(gè)主題；并有表示所述第b個(gè)待推薦業(yè)務(wù)O_b的第i'個(gè)主題的第j'個(gè)主題詞，表示所述第b個(gè)待推薦業(yè)務(wù)O_b的第i'個(gè)主題的第j'個(gè)主題詞的權(quán)重；1≤i'≤n'；1≤j'≤m'；

步驟16、按照步驟15得到所有待推薦業(yè)務(wù)O的主題

步驟17、計(jì)算所述用戶A對(duì)第b個(gè)待推薦業(yè)務(wù)O_b的偏好度從而得到所述用戶A對(duì)所有待推薦業(yè)務(wù)O＝(O₁,O₂,...,O_b,...,O_B)的偏好度

步驟17.1、計(jì)算所述用戶A的第i個(gè)主題T_i^A和第b個(gè)待推薦業(yè)務(wù)O_b的第i'個(gè)主題的余弦相似度

步驟17.2、利用式(7)計(jì)算所述用戶A的第i個(gè)主題T_i^A和第b個(gè)待推薦業(yè)務(wù)O_b的所有主題的平均相似度

$sim(T_i^A,D_{O_b})=\frac{{\mathrm{\Σ}}_{i^{\′}=1}^{m^{\′}}sim(T_i^A,T_{i^{\′}}^{O_b})}{m^{\′}}---\left(7\right)$

步驟17.3、按照步驟17.2計(jì)算所述用戶A的所有主題和第b個(gè)待推薦業(yè)務(wù)O_b所有主題相似度，并取相似度最高的M”個(gè)主題及其對(duì)應(yīng)的平均相似度；記為表示所述用戶A的所有主題和第b個(gè)待推薦業(yè)務(wù)O_b的第m”個(gè)相似度最高的偏好主題；表示所述用戶A的所有主題和第b個(gè)待推薦業(yè)務(wù)O_b的第m”個(gè)相似度最高的偏好主題的平均相似度；

步驟17.4、利用式(8)計(jì)算所述用戶A對(duì)第b個(gè)待推薦業(yè)務(wù)O_b的偏好度為

$P_{A,O_b}=\frac{{\mathrm{\Σ}}_{m^{\′\′}=1}^{M^{\′\′}}{\left(Q_A^{O_b}\right)}_{m^{\′\′}}^{sim}}{M^{\′\′}}---\left(8\right)$

步驟18、對(duì)偏好度P進(jìn)行降序排序，并將前N^p個(gè)偏好度所對(duì)應(yīng)的業(yè)務(wù)推薦給用戶A。