基于受限玻尔兹曼机的个体行为预测模型的研究

个体行为预测能够有效地帮助用户预测最适合自己的运动行为,但在早期的研究中,往往只考虑了个人的历史行为因素和社会相关因素,忽略了用户多样性、动态行为以及隐藏的社会影响,这使目前的个体行为预测问题更加具有挑战性。本文提出了社会受限玻尔兹曼机(Social restricted Boltzmann machine,StRBM)作为一种新的预测模型,该方法将社会影响区分为显性社会影响和隐性社会影响的同时,将时间影响加到了显性社会影响权重上。使用YesiWell数据集以及合成数据集进行了对比实验,验证所提出方法的准确性,证明了提出的StRBM模型比其他基本模型具有更高的预测精度。