一种面向社交网络基于云模型的推荐系统评分预测方法技术方案

本发明专利技术请求保护一种基于云模型的社交网络推荐系统评分预测方法，属于数据挖掘和信息检索领域。该方法利用评分社交网站中数据集，收集用户的历史评分记录，用户的社交关系。本发明专利技术针对用户评分主观性，通过逆向云发生器对用户评分构建评分云，采用综合云模型融合所有用户评分云生成父云，在父云下生成新的评分，并用评分对用户进行聚类，以发现用户的相似群体；为克服评分数据稀疏问题，通过引入隶属度和高维云模型，结合用户社交关系，并基于高斯变换构建多规则综合预测方法。

A method of scoring prediction for recommender systems based on cloud model for social networks

The invention claims to protect a social network recommendation system score prediction method based on the cloud model, belonging to the field of data mining and information retrieval. The method uses scoring data sets in social networking sites to collect user's history score records and user social relationships. The present invention for user rating subjectivity, through the inverse Xiang Yun generator to construct user rating score cloud, using cloud model fusion all user rating cloud generation father cloud, generate a new score in the parent cloud, and clusters the users with scores to find similar groups of users; in order to overcome the data sparseness problem by scoring. The introduction of the membership and the Gao Weiyun model, combined with the users of social relations, and based on Gauss transform to construct multi rule comprehensive prediction method.

【技术实现步骤摘要】
一种面向社交网络基于云模型的推荐系统评分预测方法
本专利技术涉及数据挖掘和信息检索领域，涉及推荐系统的个性化推荐，是一种面向社交网络基于云模型的推荐系统评分预测方法。
技术介绍
互联网的出现和普及给用户带来了大量的信息，满足了用户在信息时代对信息的需求，但随着网络的迅速发展，网络信息量的不断增加，信息超载的问题随之而来。针对信息超载问题，国内外专家学者不断提出新的方法，如强化搜索引擎、优化推荐方案。近年来，推荐系统受到物联网巨头和电商越来越多的青睐，尤其个性化推荐技术的发展，它是根据用户的信息需求和兴趣，将用户感兴趣的信息和产品推荐给用户的个性化信息推荐系统。推荐系统可以分为两类：预测和topN推荐。前者是预测用户对项目的评分，后者是向用户提供一个个性化推荐列表。目前，研究应用最广泛的推荐系统评分预测方法主要有两种，一种是基于内容的评分预测，另一种是基于协同过滤的评分预测。基于内容的是通过对推荐项目内容信息的分析，形成表示推荐项目内容的资源特征描述，并根据用户过往行为记录对用户兴趣进行建模，通过计算已知用户偏好与项目属性刻画内容之间的匹配度来预测用户对项目的评分。基于协同过滤方案的是利用用户的过往行为记录，寻找用户的相似群体，并根据相似群体对推荐对象的评分，从而预测用户对项目的评分。由于互联网信息资源的多样性，基于内容的评分预测对多媒体资源内容解析的知识要求较高。因此，基于协同过滤的评分预测方法得到了更广泛的应用。随着电子商务规模的扩大，不仅使数据量急剧增加，而且导致了用于评分预测的数据产生稀疏性，从而使传统协同过滤技术评分预测方法的预测精度急剧下降。此外，由于用户评分具有一定的主观性和用户自身的个体差异性，造成了难以发现目标用户真实兴趣相似群体的困难。因此，解决数据稀疏及评分标准不统一问题对提高预测精度起着重要作用。然而对于数据稀疏和评分标准不统一问题，目前的推荐系统评分预测方法仍然没有很好的解决，为了提高评分预测的精度，增强推荐系统的性能，我们需要从问题出发，制定合适的解决方案。云模型是一个定性和定量之间的不确定转换模型，利用此特性可以把定量评分转换为定性的概念，并从定性概念入手统一用户评分的标准，云模型的另外一个特性是在形成云的过程中，其中一个特定的云滴不重要，重要的是云的整体形状，利用此特征可克服评分稀疏的问题，而在具体实施中如何利用云模型的特点构建可以克服数据稀疏和评分标准不统一问题的评分模型仍是本研究的难点。
技术实现思路
本专利技术旨在解决以上现有技术的问题。提出了一种有效的解决用户评分数据稀疏情况下传统预测方法存在的问题，并提高预测精度的面向社交网络基于云模型的推荐系统评分预测方法。本专利技术的技术方案如下：一种面向社交网络基于云模型的推荐系统评分预测方法，其包括以下步骤：步骤1、获取评论或社交网络平台上的用户历史评分记录及用户社交网络关系；步骤2、根据用户的历史评分记录构建一维评分云，采用综合云技术融合所有一维评分云形成父云，通过父云生成新的用户评分；步骤3、并根据新的用户评分对用户进行聚类，发现用户的相似群体，社交关系是用户的好友关系，也就是用户在社交网络中用的好友，是数据中存在的，不需要预测，聚类的目的则是找出和用户兴趣相似的其他用户，也就是聚类结果中同一个类别的那部分用户；并根据用户的新评分对用户进行聚类，通过聚类结果来发现用户的相似群体，即用户所在类内的其他用户为该用户的相似群体。步骤4、根据被预测用户的社交关系，对被预测用户的相似群体构建两朵高维评分云，分别计算用户历史评分在其中的隶属度，以此表示被预测用户在其两类相似群体中的位置，并基于高斯变换构建综合预测机制。进一步的，所述步骤1获取评论或/和社交网络平台上的用户历史评分记录及用户社交网络关系直接从现有的基于Web的研究型推荐系统下载或者利用成熟的社交平台的公共API获取。进一步的，所述步骤2构建一维评分云，采用综合云技术融合所有评分云形成父云，通过父云生成新的用户评分包括以下步骤：首先，根据用户到项目的评分矩阵，对每个用户的评分使用逆向云发生器计算出评分向量(Ex,En,He),并对每个用户构建一维的云图；其次，采用综合云技术融合所有用户的评分向量，得到父云的评分向量，并构建父云的云图得到评分标准；最后，通过正向云发生器得到用户评分在自身云图中的隶属度，并得到在此隶属度下父云产生的云滴，以此云滴确定新的评分。进一步的，所述步骤3采用K-means聚类方法进行聚类，以发现预测用户的真实相似群体。进一步的，所述步骤4具体包括以下步骤：根据被预测用户关注集合,把其相似群体分为好友和非好友两部分，通过逆向云发生器分别对两部分群体的历史评分构建高维云，分别计算用户在两朵高维云中的隶属度；同样通过逆向云发生器分别对两部分群体对被推荐项目的评分构建两朵一维云，分别计算高维云中的隶属度在一维云中的云滴，并对两部分群体的一维云滴进行高斯变换取其期望作为最后的预测云滴，由此云滴确定预测评分。进一步的，根据用户到项目的评分矩阵，对每个用户的评分使用逆向云发生器计算出评分向量(Ex,En,He)包括；提取单个用户的历史评分，逆向云发生器生成评分云，根据公式计算评分云的期望向量Ex，其中xi表示单个用户第i个历史评分值，根据公式计算评分云的熵向量，根据公式计算评分云的超熵向量，其中n表示单个用户的所有评分数量。进一步的，所述采用综合云技术融合所有用户的评分向量，得到父云的评分向量，并构建父云的云图得到评分标准包括：所有用户中，取期望值最近的两个用户的评分云，令其为C1(Ex1,En1,He1)和C2(Ex2,En2,He2)，根据公式获取父云的期望向量，根据公式En＝En'1+En'2获取父云的熵向量，根据公式获取父云的超熵向量，其中和分别为C1和C2期望曲线的取大值，融合形成这两个用户的父云向量为(Ex,En,He)，在剩余用户中找到和此父云期望值最近的用户的评分云，再次融合形成新的父云，以此类推，最终融合所有用户的评分云，形成一朵父云。进一步的，所述对两部分群体的一维云滴进行高斯变换取其期望作为最后的预测云滴包括:在用户相似群体中，提取好友部分对被预测用户历史评分项目集合的评分，根据逆向云发生器生成高维评分云向量(Ex1,En1,He1；Ex2,En2,He2；…；Exn,Enn,Hen)，其中(Exn,Enn,Hen)表示好友部分对第n个项目的评分生成的云，根据公式计算被预测用户在高维云中的隶属度，其中，μ表示隶属度，xi表示用户第i个评分，En'i表示以Eni为期望，He2i为方差的一个正太随机数；提取好友部分对被预测项目的评分构成评分云(Ex,En,He)，根据公式计算的得到两个预测云滴，同样的方法获取非好友部分的预测云滴。进一步的，在获取好友与非好友部分的四个预测云滴时，找出距离最大的两个(x1,μ1)和(x2,μ2)，根据公式获取高斯变换后的期望，并作为最后的预测结果。本专利技术的优点及有益效果如下：本专利技术此方法首先使用综合云模型统一用户评分标准，解决了用户评分主观性和个体差异性问题，为发现用户真实相似群体提供了基础。其次，根据目标用户的相似群体，结合社交网络用户关系，构建综合评分预测机制，有效的解决用户评分数据稀疏情况下传统预测方法存本文档来自技高网...

【技术保护点】
一种面向社交网络基于云模型的推荐系统评分预测方法，其特征在于，包括以下步骤：步骤1、获取评论或社交网络平台上的用户历史评分记录及用户社交网络关系；步骤2、根据用户的历史评分记录构建一维评分云，采用综合云技术融合所有一维评分云形成父云，通过父云生成新的用户评分；步骤3、并根据新的用户评分对用户进行聚类，发现用户的相似群体，并根据用户的新评分对用户进行聚类，通过聚类结果来发现用户的相似群体，即用户所在类内的其他用户为该用户的相似群体；步骤4、根据被预测用户的社交关系，对被预测用户的相似群体构建两朵高维评分云，分别计算用户历史评分在其中的隶属度，以此表示被预测用户在其两类相似群体中的位置，并基于高斯变换构建综合预测机制。

【技术特征摘要】
1.一种面向社交网络基于云模型的推荐系统评分预测方法，其特征在于，包括以下步骤：步骤1、获取评论或社交网络平台上的用户历史评分记录及用户社交网络关系；步骤2、根据用户的历史评分记录构建一维评分云，采用综合云技术融合所有一维评分云形成父云，通过父云生成新的用户评分；步骤3、并根据新的用户评分对用户进行聚类，发现用户的相似群体，并根据用户的新评分对用户进行聚类，通过聚类结果来发现用户的相似群体，即用户所在类内的其他用户为该用户的相似群体；步骤4、根据被预测用户的社交关系，对被预测用户的相似群体构建两朵高维评分云，分别计算用户历史评分在其中的隶属度，以此表示被预测用户在其两类相似群体中的位置，并基于高斯变换构建综合预测机制。2.根据权利要求1所述的面向社交网络基于云模型的推荐系统评分预测方法，其特征在于，所述步骤1获取评论或/和社交网络平台上的用户历史评分记录及用户社交网络关系直接从现有的基于Web的研究型推荐系统下载或者利用成熟的社交平台的公共API获取。3.根据权利要求1或2所述面向社交网络基于云模型的推荐系统评分预测方法，其特征在于，所述步骤2构建一维评分云，采用综合云技术融合所有评分云形成父云，通过父云生成新的用户评分包括以下步骤：首先，根据用户到项目的评分矩阵，对每个用户的评分使用逆向云发生器计算出评分向量(Ex,En,He),并对每个用户构建一维的云图；其次，采用综合云技术融合所有用户的评分向量，得到父云的评分向量，并构建父云的云图得到评分标准；最后，通过正向云发生器得到用户评分在自身云图中的隶属度，并得到在此隶属度下父云产生的云滴，以此云滴确定新的评分。4.根据权利要求3所述面向社交网络基于云模型的推荐系统评分预测方法，其特征在于，所述步骤3采用K-means聚类方法进行聚类，以发现预测用户的真实相似群体。5.根据权利要求3所述面向社交网络基于云模型的推荐系统评分预测方法，其特征在于，所述步骤4具体包括以下步骤：根据被预测用户关注集合,把其相似群体分为好友和非好友两部分，通过逆向云发生器分别对两部分群体的历史评分构建高维云，分别计算用户在两朵高维云中的隶属度；同样通过逆向云发生器分别对两部分群体对被推荐项目的评分构建两朵一维云，分别计算高维云中的隶属度在一维云中的云滴，并对两部分群体的一维云滴进行高斯变换...

【专利技术属性】
技术研发人员：肖云鹏，孙华超，刘宴兵，刘彦驰，李唯果，张克毅，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50