The invention provides a user preference prediction method based on multiple credit evaluation, which belongs to the technical field of Internet user preference prediction. Firstly, the trust adjacency matrix between the target user and other users and the score sparse matrix between the target user and the commodity are constructed. According to the trust adjacency matrix and the score sparse matrix, the comprehensive trust and importance of the target user are obtained and normalized, respectively. According to the comprehensive trust and importance of the normalized process, the target user pair is established. The objective function of the scoring prediction model is constructed. The gradient descent method is used to optimize the objective function, and the user preference vector and the product feature vector are obtained. According to the user preference vector and the product feature vector, the target user preference is calculated. The invention considers the direct trust relationship between users and the indirect trust relationship transmitted by intermediary users, eliminates the influence of malicious users on preference prediction, has low computational complexity and more accurate prediction.
【技术实现步骤摘要】
基于多元信用评估的用户偏好预测方法
本专利技术涉及互联网用户偏好预测
,具体涉及一种预测更加准确的基于多元信用评估的用户偏好预测方法。
技术介绍
Web2.0的出现和普及给互联网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,但随着互联网规模的迅速扩大而带来的网上可用信息的大幅增加,使得互联网用户在面对大量信息时无法从中获取自己感兴趣的信息以及对自己有用的信息,降低了对信息的使用效率,这就是所谓的信息超载问题。解决信息超载问题一个非常有潜力的办法是推荐系统,它是根据用户的信息需求、兴趣等,将用户感兴趣的信息、产品等推荐给用户的个性化信息推荐系统。和搜索引擎相比推荐系统通过研究用户的兴趣偏好,进行个性化计算,由系统发现用户的兴趣点,从而引导用户发现自己的信息需求。一个好的推荐系统不仅能为用户提供个性化的服务,还能和用户之间建立密切关系,让用户对推荐产生依赖。在推荐系统中,一个核心的问题就是对用户的偏好建模。所谓的用户偏好就是指用户对物品(可能是音乐,电影,商品等)的喜好程度。如何根据已有的用户行为和信息,准确地对用户偏好进行预测是一个很重要的问题。传统推荐算法利用用户对物品的历史评分信息来预测用户的偏好,其中经典的推荐算法为协同过滤。协同过滤又包括基于物品的协同过滤与基于用户的协同过滤。基于物品的协同过滤算法的推荐思想是,如果用户喜欢物品A,那么该用户很可能也喜欢与A相似的物品B。基于用户的协同过滤算法的推荐思想是,如果用户A喜欢某一物品,那么与用户A相似的用户B也可能喜欢该物品。基于用户的协同过滤通过用户与物品关联矩阵计算用户间相似度,从而将 ...
【技术保护点】
1.一种基于多元信用评估的用户偏好预测方法,其特征在于,包括如下流程步骤:步骤S110:构建目标用户与其他用户间的信任邻接矩阵以及目标用户与商品间的评分稀疏矩阵;步骤S120:根据所述信任邻接矩阵和所述评分稀疏矩阵,获取所述目标用户的综合信任度,并对其进行归一化处理;步骤S130:根据所述信任邻接矩阵和所述评分稀疏矩阵,获取目标用户的重要度,并对其进行归一化处理;步骤S140:根据所述归一化处理后的综合信任度和重要度,建立目标用户对商品的评分预测模型;步骤S150:构造所述评分预测模型的目标函数,通过梯度下降法优化所述目标函数,获取用户偏好向量和商品特征向量;步骤S160:根据所述用户偏好向量和所述商品特征向量,利用所述评分预测模型计算目标用户偏好。
【技术特征摘要】
1.一种基于多元信用评估的用户偏好预测方法,其特征在于,包括如下流程步骤:步骤S110:构建目标用户与其他用户间的信任邻接矩阵以及目标用户与商品间的评分稀疏矩阵;步骤S120:根据所述信任邻接矩阵和所述评分稀疏矩阵,获取所述目标用户的综合信任度,并对其进行归一化处理;步骤S130:根据所述信任邻接矩阵和所述评分稀疏矩阵,获取目标用户的重要度,并对其进行归一化处理;步骤S140:根据所述归一化处理后的综合信任度和重要度,建立目标用户对商品的评分预测模型;步骤S150:构造所述评分预测模型的目标函数,通过梯度下降法优化所述目标函数,获取用户偏好向量和商品特征向量;步骤S160:根据所述用户偏好向量和所述商品特征向量,利用所述评分预测模型计算目标用户偏好。2.根据权利要求1所述的方法,其特征在于,所述步骤S110中,构建信任邻接矩阵具体包括:根据每个用户的信任列表获得网络信任关系拓扑G={U,E},构建目标用户与其他用户之间的有向信任邻接矩阵M,其中,U表示用户集合,E表示用户间的信任关系集合,3.根据权利要求2所述的方法,其特征在于,所述步骤S120具体包括,步骤S121:根据所述评分稀疏矩阵,获取用户u和用户v之间的相似度;其中,sim(u,v)表示用户u和用户v之间的相似度,表示用户u对商品的平均评分,表示用户v对商品的平均评分,I(u)表示用户u评价过的商品集合,I(v)表示用户v评价过的商品集合,Ru,i表示用户u对商品i的评分,Rv,i表示用户v对商品i的评分;步骤S122:结合所述相似度,计算所述目标用户的直接信任度;其中,DTu,v表示目标用户u和用户v之间的直接信任度,表示与用户v有直接信任关系的用户的个数,表示用户v的信任列表中的用户总个数,|Iv|表示用户v评价过的商品的个数,|I|表示商品的总个数;步骤S123:计算所述目标用户的间接信任度,具体包括:用户u与用户v之间除具有直接信任关系外,还存在通过其他具有与用户u存在直接信任关系的用户w传递的间接信任关系,则用户u与用户v之间的间接信任度为:其中,DTw,v表示用户v与用户w之间的直接信任度,DTu,w表示用户u...
【专利技术属性】
技术研发人员:熊菲,李朝一,沈伟瀚,李泽松,杨平,
申请(专利权)人:北京交通大学,中电科大数据研究院有限公司,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。