融合隐式反馈和用户社会地位的个性化推荐方法及系统技术方案

本发明专利技术公开了融合隐式反馈和用户社会地位的个性化推荐方法及系统，方法包括：根据隐式反馈信息，确定用户项目交互矩阵；根据用户项目交互矩阵，结合隐式反馈信息和社交网络信息计算用户在各个领域的社会地位值；根据社交网络信息计算用户之间的信任度；根据社会地位值和信任度进行矩阵分解，得到用户特征矩阵和项目特征矩阵；根据用户特征矩阵和项目特征矩阵，构建伪评分矩阵；通过伪评分矩阵进行用户推荐。本发明专利技术结合了隐式反馈数据和用户的社会地位值来进行矩阵构建，提高了矩阵评分的准确性，进而提高了推荐可信度和推荐质量；另外，本发明专利技术还结合用户之间的信任度来优化推荐过程，进一步提高了推荐结果的可靠性，可广泛应用于计算机技术领域。

【技术实现步骤摘要】
融合隐式反馈和用户社会地位的个性化推荐方法及系统
本专利技术涉及计算机
，尤其是融合隐式反馈和用户社会地位的个性化推荐方法及系统。
技术介绍
随着社会科技的迅速发展，大数据的时代已经到来，信息过载存在于生活的每一方面。为了帮助用户快速有效的获取真正需要的信息，推荐系统日益发展起来。但是目前大多的推荐系统都是基于显示反馈的，用户的反馈数据是构建推荐系统的关键，基于用户评分等显示反馈信息的推荐往往会由于评分矩阵的稀疏而影响推荐的质量。而信息量丰富的隐式反馈更容易获取，且更能自然的反映用户的态度，可有效的缓解数据稀疏和冷启动问题。目前不少学者在基于隐式反馈场景的推荐算法做了相关的研究，典型的基于隐式反馈场景的推荐算法主要是基于单类协同过滤的推荐OCCF，但是仅仅依据隐式反馈信息只能反映用户相对于其他项目来说，对于当前项目的选择倾向，并不能明确表示用户的偏好。因此不少学者提出引入辅助信息进行推荐。随着社交网络服务的迅速发展，越来越丰富的社交网络信息更是蕴含了很多有价值的用户信息，越来越多的推荐算法利用丰富的社交网络信息来优化推荐算法，提高推荐质量。但是，基于社交网络的推荐一般基于假设用本文档来自技高网...

【技术保护点】
1.融合隐式反馈和用户社会地位的个性化推荐方法，其特征在于：包括以下步骤：根据隐式反馈信息，确定用户项目交互矩阵；根据用户项目交互矩阵，结合隐式反馈信息和社交网络信息计算用户在各个领域的社会地位值；根据社交网络信息计算用户之间的信任度；根据社会地位值和信任度进行矩阵分解，得到用户特征矩阵和项目特征矩阵；根据用户特征矩阵和项目特征矩阵，构建伪评分矩阵；通过伪评分矩阵进行用户推荐。

【技术特征摘要】
1.融合隐式反馈和用户社会地位的个性化推荐方法，其特征在于：包括以下步骤：根据隐式反馈信息，确定用户项目交互矩阵；根据用户项目交互矩阵，结合隐式反馈信息和社交网络信息计算用户在各个领域的社会地位值；根据社交网络信息计算用户之间的信任度；根据社会地位值和信任度进行矩阵分解，得到用户特征矩阵和项目特征矩阵；根据用户特征矩阵和项目特征矩阵，构建伪评分矩阵；通过伪评分矩阵进行用户推荐。2.根据权利要求1所述的融合隐式反馈和用户社会地位的个性化推荐方法，其特征在于：所述根据隐式反馈信息，确定用户项目交互矩阵这一步骤，包括以下步骤：通过二值矩阵确定用户与项目的交互信息；根据隐式反馈信息，通过ALS-WR配置置信度权重；根据置信度权重确定置信度；通过置信度确定用户对项目的偏好可能性。3.根据权利要求1所述的融合隐式反馈和用户社会地位的个性化推荐方法，其特征在于：所述根据用户项目交互矩阵，结合隐式反馈信息和社交网络信息计算用户在各个领域的社会地位值这一步骤，包括以下步骤：根据用户在对应项目的反馈次数来确定用户的权威性；通过用户在对应项目的社交网络信息来确定用户的可信度；根据用户的权威性和可信度，计算用户的社会地位值。4.根据权利要求1所述的融合隐式反馈和用户社会地位的个性化推荐方法，其特征在于：所述根据社交网络信息计算用户之间的信任度这一步骤，包括以下步骤：根据社交网络信息中用户的出度信息计算用户间的直接信任度；根据直接信任度，通过信任传递算法计算用户间的间接信任度。5.根据权利要求1所述的融合隐式反馈和用户社会地位的个性化推荐方法，其特征在于：所述根据社会地位值和信任度进行矩阵分解，得到用户特征矩阵和项目特征矩阵这一步骤，包括以下步骤：通过计算领域内的全局的用户社会地位值，通过第一正则化项生成初始目标函数；根据初始目标函数和局部的好友偏好信息，通过第二正则化项生成最终目标函数；通过随机梯度下降方法计算最终目标函数...

【专利技术属性】
技术研发人员：汤庸，王柳，汤非易，杨佐希，贺毅，李英，毛承洁，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：广东,44