融合信任度和度量因子矩阵分解的兴趣点推荐方法及系统技术方案

本发明专利技术公开了一种融合信任度和度量因子矩阵分解的兴趣点推荐方法及系统，从不同角度去构建用户社交关系矩阵成为研究的重点，该推荐方法和系统利用社交网络中的用户信息以及用户间的互动信息构建用户社交信任网络，再与度量因子矩阵分解模型融合进行综合推荐。该推荐方法和系统从不同的角度、数据广度和深度挖掘了与用户相关的信息，更真实地还原用户属性及行为，建立用户偏好模型，使用户兴趣点的推荐更加准确，更加个性化，达到了更好的推荐效果。

The method and system of interest point recommendation based on the combination of trust degree and factorization of measure factor matrix

【技术实现步骤摘要】
融合信任度和度量因子矩阵分解的兴趣点推荐方法及系统
本专利技术涉及信息检索推荐
，具体涉及一种基于融合信任度和度量因子矩阵分解的兴趣点推荐方法及系统。
技术介绍
随着互联网技术的不断进步，基于社交网络的应用迅速发展，受到了业界的广泛关注，在这些社交网络中，用户拥有自己的社交关系，对事物的评价和对自己生活的分享，也可以关注好友的一些动态。因此其中包含了丰富的数据，可以通过签到信息、好友关系、评价数据等挖掘出有用的信息更好的构建用户的兴趣偏好模型，为用户推荐其可能更感兴趣，会给更好评分的景点，这种类型的推荐称之为兴趣点(Point-of-Interest，简称POI)推荐。兴趣点的推荐需要满足用户的个性化推荐服务，尽量避免信息过载问题的同时也要帮助服务提供商实现智能化信息服务，进而提升供应商的行业收入。因此，基于社交网络的旅游兴趣点推荐在现在生活中越来越重要。个性化旅游推荐系统与传统的旅游推荐相比，在考虑流行景点之外，还会将游客的衣食住行全部考虑在内，因此通过基于社交网络中的兴趣点的历史信息可以更好地挖掘用户的偏好，从而给用户更好更全面的旅游体验。但是，与其他方面的推荐系统相比较，个性化旅游推荐系统会面临更大的挑战，旅游数据的结构更复杂，且比较难以获取；用户的评价和历史信息很难准确表达其需求；用户的历史信息和个人信息都非常的稀少；旅游数据也是十分的稀疏，而且非常冗余。传统的推荐方法应用到个性化旅游推荐当中的效果也不尽人意，协同过滤推荐等无法很好地解决数据稀疏性、冷启动和旅游推荐面临的新城市推荐等问题。>
技术实现思路
有鉴于此，有必要提供一种更贴近用户需求、推荐效果更好的融合信任度和度量因子矩阵分解的兴趣点推荐方法及系统。一种融合信任度和度量因子矩阵分解的兴趣点推荐方法，包括以下步骤：步骤一，建立基于社交信任的兴趣点推荐模型：通过社交网络中挖掘的用户信息计算用户之间的直接信任度，并将用户及其之间的关系抽象为节点和边，通过单信任路径和多信任路径两种方式计算用户间接信任度，将直接信任度和间接信任度综合为用户信任关系，形成基于社交信任的兴趣点推荐模型；步骤二，建立基于度量因子矩阵分解的兴趣点推荐模型模块：通过度量因子分解的方法将用户对兴趣点的评分转换为距离，并计算偏好距离，建立基于度量因子矩阵分解的兴趣点推荐模型；步骤三，建立融合信任度和度量因子矩阵分解的兴趣点推荐单元：将步骤一形成的基于社交信任的兴趣点推荐模型和步骤二形成的基于度量因子矩阵分解的兴趣点推荐模型进行融合，形成兴趣点推荐单元，用于面向用户的个性化兴趣点推荐。进一步地，步骤一中的所述社交信任包括直接信任和间接信任，所述直接信任包括显性信任和隐性信任，所述间接信任包括所述单信任路径和所述多信任路径；所述显性信任采用社交网络中存在明确的好友关系的用户，及其在社交网络上的好友数量和在社交网络上的评论的被点赞数量；所述隐性信任采用社交网络中评分项目的相似度和用户平均打分的相似度；所述单信任路径采用具有唯一信任传递路径的用户之间信任关系，信任关系的传递长度不超过3；所述多信任路径采用具有多条不同信任路径都能够到达的用户之间的信任关系，其中每条信任路径的权重值不同，综合各条信任路径的权重值，以得到该用户的最终权重值；所述直接信任度和所述间接信任度分别为依据所述直接信任和所述间接信任计算得到的关联关系及相应的数值。进一步地，所述显性信任用表示，计算公式为：其中，ru,v表示用户u和用户v的社交关系，当ru,v＝0时，表示用户u和用户v没有直接的好友关系，也就是用户v没有在用户u的好友列表中，当ru,v＝1表示v在u的好友列表中，有明确的好友关系，fansv指的是当用户v在用户u的好友列表中时，用户v社交网络上的粉丝数量，而sum(fans)是指用户u好友列表中所有用户在社交网络上的粉丝数量总和，pv是指当用户v存在用户u的好友列表中时，用户v在社交网络上的评论被其他用户点赞的数量，sum(p)指的是用户v好友列表中所有用户在社交网络上的评论被赞数量的总和，α1、α2和α3是公式的系数参数，且α1+α2+α3＝1。进一步地，所述隐性信任的计算公式为：其中，表示用户u和用户v之间的直接隐性信任关系，simitem指的是用户u和用户v评分项目的相似度。进一步地，所述单信任路径下的间接信任的计算公式为：其中，为用户u和用户v之间的一条信任路径下的间接信任度，ti表示从用户u开始到用户v结束的一条信任传递路径上的第i个信任度，由于数据量过大，设信任路径长度阈值为k，用户之间的信任关系传递长度不超过3。进一步地，所述多信任路径下的间接信任的计算公式为：其中，由于单信任路径是多信任路径的特殊情况，因此，所述多信任路径是n个单信任路径的总和。进一步地，所述基于社交信任的兴趣点中，采用融合加权的方式调节用户相似度和社交信任的平衡，形成综合相似度，将综合相似度从高到低进行排序，取排名前10的用户作为目标用户的相似用户集；综合相似用户集中的用户对目标项目的预测评分、好友对目标项目的平均打分、以及目标用户对所有兴趣点的预测打分，并进行从大到小排序，选取前N项Top-N进行推荐。进一步地，步骤二中的建立基于度量因子矩阵分解的兴趣点推荐模型的流程包括：步骤a，通过度量因子分解将用户对兴趣点的评分转换为距离，从评分矩阵中得到距离矩阵，并将距离矩阵进行度量因子分解得到用户和兴趣点的位置，并预测评分；步骤b，计算偏好距离，在评分函数中融合用户和项目偏差，同时引入置信机制，将更高的置信值分配给更可靠的评级，以确保极端评级获得更高的权重；步骤c，将用户和兴趣点的预测距离转换为评分，并将目标用户对所有兴趣点的预测打分进行从大到小排序，选取前N项Top-N进行推荐。进一步地，步骤三中的将两种推荐模型进行融合的方式包括模型线性加权方式和模型过程融合方式，所述模型线性加权方式是通过加权因子将两个预测结果进行线性组合；将得到的组合预测评分数据按照从大到小进行排序，得到Top-N；所述模型过程融合方式，先实现基于度量因子矩阵分解，预测出用户、项目评分矩阵；然后计算用户之间的信任关系；最后在预测评分的基础上根据信任关系预测评分，将得到的组合预测评分数据按照从大到小进行排序，得到Top-N。以及，一种融合信任度和度量因子矩阵分解的兴趣点推荐系统，其用于实现如上所述的融合信任度和度量因子矩阵分解的兴趣点推荐方法，该实现系统包括：社交信任关系模块，通过社交网络中挖掘的用户信息计算用户之间的直接信任度，将用户及其之间的关系抽象为节点和边，计算用户之间的信任度；所述社交信任关系模块包括直接信任模块和间接信任模块，所述直接信任模块包括显性信任模块和隐性信任模块，所述间接信任模块包括单信任路径模块和多信任路径模块；构建社交信任关系传递模块，用于从用户的社交影响力入手，充分分析不同信任好友对目标用户的影响，并传递信任关系，以构建数值连续的用户社本文档来自技高网...

【技术保护点】
1.一种融合信任度和度量因子矩阵分解的兴趣点推荐方法，其特征在于，包括以下步骤：/n步骤一，建立基于社交信任的兴趣点推荐模型：通过社交网络中挖掘的用户信息计算用户之间的直接信任度，并将用户及其之间的关系抽象为节点和边，通过单信任路径和多信任路径两种方式计算用户间接信任度，将直接信任度和间接信任度综合为用户信任关系，形成基于社交信任的兴趣点推荐模型；/n步骤二，建立基于度量因子矩阵分解的兴趣点推荐模型模块：通过度量因子分解的方法将用户对兴趣点的评分转换为距离，并计算偏好距离，建立基于度量因子矩阵分解的兴趣点推荐模型；/n步骤三，建立融合信任度和度量因子矩阵分解的兴趣点推荐单元：将步骤一形成的基于社交信任的兴趣点推荐模型和步骤二形成的基于度量因子矩阵分解的兴趣点推荐模型进行融合，形成兴趣点推荐单元，用于面向用户的个性化兴趣点推荐。/n

【技术特征摘要】
1.一种融合信任度和度量因子矩阵分解的兴趣点推荐方法，其特征在于，包括以下步骤：
步骤一，建立基于社交信任的兴趣点推荐模型：通过社交网络中挖掘的用户信息计算用户之间的直接信任度，并将用户及其之间的关系抽象为节点和边，通过单信任路径和多信任路径两种方式计算用户间接信任度，将直接信任度和间接信任度综合为用户信任关系，形成基于社交信任的兴趣点推荐模型；
步骤二，建立基于度量因子矩阵分解的兴趣点推荐模型模块：通过度量因子分解的方法将用户对兴趣点的评分转换为距离，并计算偏好距离，建立基于度量因子矩阵分解的兴趣点推荐模型；
步骤三，建立融合信任度和度量因子矩阵分解的兴趣点推荐单元：将步骤一形成的基于社交信任的兴趣点推荐模型和步骤二形成的基于度量因子矩阵分解的兴趣点推荐模型进行融合，形成兴趣点推荐单元，用于面向用户的个性化兴趣点推荐。


2.如权利要求1所述的融合信任度和度量因子矩阵分解的兴趣点推荐方法，其特征在于，步骤一中的所述社交信任包括直接信任和间接信任，所述直接信任包括显性信任和隐性信任，所述间接信任包括所述单信任路径和所述多信任路径；所述显性信任采用社交网络中存在明确的好友关系的用户，及其在社交网络上的好友数量和在社交网络上的评论的被点赞数量；所述隐性信任采用社交网络中评分项目的相似度和用户平均打分的相似度；所述单信任路径采用具有唯一信任传递路径的用户之间信任关系，信任关系的传递长度不超过3；所述多信任路径采用具有多条不同信任路径都能够到达的用户之间的信任关系，其中每条信任路径的权重值不同，综合各条信任路径的权重值，以得到该用户的最终权重值；所述直接信任度和所述间接信任度分别为依据所述直接信任和所述间接信任计算得到的关联关系及相应的数值。


3.如权利要求2所述的融合信任度和度量因子矩阵分解的兴趣点推荐方法，其特征在于，所述显性信任用表示，计算公式为：



其中，ru,v表示用户u和用户v的社交关系，当ru,v＝0时，表示用户u和用户v没有直接的好友关系，也就是用户v没有在用户u的好友列表中，当ru,v＝1表示v在u的好友列表中，有明确的好友关系，fansv指的是当用户v在用户u的好友列表中时，用户v社交网络上的粉丝数量，而sum(fans)是指用户u好友列表中所有用户在社交网络上的粉丝数量总和，pv是指当用户v存在用户u的好友列表中时，用户v在社交网络上的评论被其他用户点赞的数量，sum(p)指的是用户v好友列表中所有用户在社交网络上的评论被赞数量的总和，α1、α2和α3是公式的系数参数，且α1+α2+α3＝1。


4.如权利要求2所述的融合信任度和度量因子矩阵分解的兴趣点推荐方法，其特征在于，所述隐性信任的计算公式为：



其中，表示用户u和用户v之间的直接隐性信任关系，simitem指的是用户u和用户v评分项目的相似度。


5.如权利要求2所述的融合信任度和度量因子矩阵分解的兴趣点推荐方法，其特征在于，所述单信任路径下的所述间接信任的计算公式为：



其中，为用户u和用户v之间的一条信任路径下的间接信任度，ti表示从用户u开始到用户v结束的一条信任传递路径上的第i个信任度，由于数据量过大，设信任路径长度阈值为k，用户之间的信任关系传递长度不超过3。<...

【专利技术属性】
技术研发人员：钱忠胜，刘翔宇，
申请(专利权)人：江西财经大学，
类型：发明
国别省市：江西;36