为加强研究生学术交流活动，推进学术创新，特开通“研究生学术报告预告区”。我校研究生和教师可以在预告区及时发布和了解有关研究生学术报告的信息，届时参加。也可就某学术报告展开专题讨论与交流。
针对推荐算法中数据的稀疏性难题，利用预处理的用户标签数据与用户评分数据一起输入至条件受限玻尔兹曼机（Conditional Restricted Boltzmann machine,CRBM）模型，利用CRBM强大的拟合任意离散分布的能力，预测出用户对未交互商品的评分缺失值。具体来说，首先提出显层单元为实值的CRBM模型，运用文本分类中的TF-IDF算法预测出用户对所应用过的标签的态度，与标签基因数据相乘得到用户对商品的喜爱程度，再与用户商品评分矩阵一起作为CRBM的显层输入，CRBM条件层输入为用户潜在的评分/未评分、打标签/未打标签数据，经过对显层以及条件层数据的训练，预测出用户评分缺失值。本次报告具体的算法创新点，以及报告基于公用实验数据的算法结果。