融合信任不信任关系和注意力机制深度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不信任关系和注意力机制深度推荐方法及系统。首先，建立用户信任网络与不信任网络，通过现有的用户评分和社交关系，预测用户间信任关系与不信任关系，使运用到融合信任不信任社交关系和注意力机制的深度推荐模型(TDA_DRM)中的信任值和不信任值更为精准可靠。然后，以深度学习方法为基础，融合注意力机制，不仅考虑了传统方法中用户评分信息对推荐结果的影响，还充分挖掘用户社交行为，为用户选择固定有影响力的社交关系，使评分结果更为精确。最后，将用户信任不信任关系和注意力机制融合到推荐模型中，使得推荐结果可解释性更强。

Deep recommendation method and system of integrating trust distrust relationship and attention mechanism

【技术实现步骤摘要】
融合信任不信任关系和注意力机制深度推荐方法及系统
本专利技术涉及信息推荐
，具体涉及一种基于融合信任不信任关系和注意力机制深度推荐方法及系统。
技术介绍
随着互联网信息技术的迅猛发展，搜索引擎、即时通讯、电子商务等网络业务日益壮大，互联网用户的数量也在急剧增长，网络信息服务已经融入到人们生活的各个方面。产品和服务的提供严重限制了以人为基础的解决方案的实用性，例如，越来越多人喜欢向朋友寻求建议或从评论和论坛中获取专家意见，这造成大量的数据冗余和信息过载。而推荐系统的出现则可以有效地帮助用户解决以上信息过载问题。结合社交信任关系的推荐算法是有效解决数据稀疏性问题的有效手段之一。信任关系是推荐系统的一项重要维度。首先，人们更易受具有相同观念或信任对象的影响，而不是选择缺乏说服力的广告；其次，人们会选择与自己有相同或相似兴趣爱好的人成为好友。本质上，信任提供了除用户评分以外的其它信息，通过这些信息可以更好地对用户偏好进行建模，替代或者补充用户的相似项目评分。有许多学者都对信任关系进行深入研究，但同时，与信任关系相对的不信任关系却被许多学者所忽视。目前考虑社交关系的推荐算法还存在一些不足：一方面，虽然深度学习算法能挖掘用户的隐藏信息，但由于深度学习本身的缺陷，模型的可解释性不强，信任度量的准确性仍存在问题；另一方面，目前大多数学者基本上致力于信任关系的研究，对基于不信任关系的推荐研究还比较少。
技术实现思路
有鉴于此，有必要提供一种将融合注意力机制的深度模型与社交关系相结合，考虑用户的信任关系和不信任关系与用户的偏好，对于存在社交关系的用户赋予不同的注意力权重，为用户寻找固定有影响力的社交关系进行评分预测，再结合社交关系对预测评分进行改善的融合信任不信任关系和注意力机制深度推荐方法及系统。一种融合信任不信任关系和注意力机制深度推荐方法，包括以下步骤：步骤一，采用软间隔支持向量机Soft-marginSVM的方法建立社交关系预测模块，通过用户的评分和社交关系对用户的不信任关系和信任关系进行预测和补充，再结合用户的评分相似度和共同评分用户的数量，重新评估用户间的信任关系和不信任关系的权重；步骤二，以深度学习方法为基础，建立融合注意力机制的深度推荐模型，结合用户评分信息和用户社交行为，同时根据给预测项目评过分且与用户存在社交关系的其他用户对预测项目的注意力权重，得到预测项目的预测评分；步骤三，将用户间的信任不信任关系和注意力机制融合到信任不信任关系和注意力机制的深度推荐模型中，根据用户的信任用户和不信任用户的预测评分进行加权融合以改善用户对预测项目的预测评分，最终选取前N项形成推荐列表。进一步地，步骤一中的用户间的信任关系ET为用户l的行为能给用户u带来更好的影响或者结果，则用户u信任用户l；用户间的不信任关系ED为用户u不赞成用户k所发表的大多数观点，则用户u不信任用户k；用户间的信任关系ET和用户间的不信任关系ED之间互为镜像；给定用户间的不信任关系ED和以项目为中心的用户交互矩阵A和矩阵O，其中矩阵A是用户项目作者矩阵，矩阵O是用户项目意见矩阵，用目标函数f2来预测用户间信任关系，结合原本用户间信任关系ET生成用户间完整信任网络G，如式(1)所示；f2:{ED,A,O}+ET→G(1)同时给定用户间的信任关系ET和以项目为中心的用户交互矩阵A和矩阵O，用目标函数f1来预测用户间不信任关系，结合原本用户间不信任关系ED生成用户间完整不信任网络g，如式(2)所示：f1:{ET,A,O}+ED→g(2)其中，式(2)中的矩阵A和矩阵O分别等同于式(1)中的矩阵A和矩阵O。进一步地，步骤一中的所述采用软间隔支持向量机Soft-marginSVM的方法建立社交关系预测模块，具体步骤包括：步骤1-1，根据社交结构平衡理论和状态理论，得到社交关系中的用户间的信任关系和不信任关系的传递关系：设，使用cij表示ui和uj之间连接，其中cij＝1表示信任关系，cij＝-1表示不信任关系，则，三元组ui,uj,uk的传递结果为：cij＝1且cjk＝1，则cik＝1，cij＝-1且cjk＝-1，则cij＝1；步骤1-2，对于缺少社交关系的用户对构建标签，关联用户ui和uj的可靠性权重Wij如式(3)所示：其中，Y为正样本矩阵，N为负样本矩阵，r为常数；当预测负链接时，<ui，uj>∈N具有负相互作用，则将可靠性权重定义为负关系函数f1；如果<ui，uj>不具有相互作用，则将可靠性权重设为常数r；步骤1-3，社交关系预测过程如下：设Z＝{z1,z2,...,zN}是用户间的不信任关系ED或者用户间的信任关系ET中的用户对，集合zi是用户对zi的特征向量表示，用于社交关系预测问题的软间隔支持向量机Soft-marginSVM公式如式(4)所示：其中，εi表示每个点的犯错误程度，εi＝0表示没有错误，εi越大，表示错误越大；参数μ控制εi的影响程度；在进行不信任预测时，针对正负样本噪声水平不同，将式(4)进一步改进为式(5)：其中，Cy和Cn为对正负误差进行不同的加权，令Cy大于Cn，以反应正负样本间的差异行为；当仅存在单个负样本zj时，引入权重cj控制误差，负样本zj对应的每一组<ui,uk>，设置cj＝Wik，其中Wik为<ui,uk>可靠性权重，以对具有不同可靠性的负样本中的噪声进行差分控制；当ui和uj之间存在信任关系，并且ui和uj与另一个用户uk都不存在信任关系，则对于不信任网络ED中(ui,uk)和(uj,uk)的关系类型是相同的，当<ui,uj,uk>是平衡三元组或在<ui,uj,uk>三元组中任意两者与另一者缺少社交关系时，为了保持结构平衡，假设两个不存在社交关系的用户之间都是不信任关系；引入矩阵B，并假设xh和xt分别表示<ui,uk>和<uj,uk>，当ui和uj之间存在信任关系，则Bht＝1，否则Bht＝0；然后引入平衡理论正则化，设Bht＝0，则xh和xt具有相同类型的社交关系，社交关系公式如式(6)所示：其中，L是基于B的拉普拉斯矩阵；对于最短路径长度为2的用户对，每对用户对需要在N和Y中且满足平衡理论；假设在X中有η+μ个样本，其中前η个来自Y∪N；通过这些提出的框架能够解决以下优化问题，基于双重形式解决公式如式(7)所示：式(7)中的优化问题存在最小化解决方案，得到式(8)如下所示：其中，K是所有样本的格拉姆矩阵；将式(8)对偶问题简化后，得到最终的预测结果。进一步地，步骤二中的所述融合注意力机制的深度推荐模型包括输入层、嵌入层、注意层、隐藏层和预测层，其中：所述输入层包括用户u和预测项目p，使用统一编码将其转化为原始稀疏向量，仅记录非零二进制特征；本文档来自技高网...

【技术保护点】
1.一种融合信任不信任关系和注意力机制深度推荐方法，其特征在于，包括以下步骤：/n步骤一，采用软间隔支持向量机Soft-margin SVM的方法建立社交关系预测模块，通过用户的评分和社交关系对用户的不信任关系和信任关系进行预测和补充，再结合用户的评分相似度和共同评分用户的数量，重新评估用户间的信任关系和不信任关系的权重；/n步骤二，以深度学习方法为基础，建立融合注意力机制的深度推荐模型，结合用户评分信息和用户社交行为，同时根据给预测项目评过分且与用户存在社交关系的其他用户对预测项目的注意力权重，得到预测项目的预测评分；/n步骤三，将用户间的信任不信任关系和注意力机制融合到信任不信任关系和注意力机制的深度推荐模型中，根据用户的信任用户和不信任用户的预测评分进行加权融合以改善用户对预测项目的预测评分，最终选取前N项形成推荐列表。/n

【技术特征摘要】
1.一种融合信任不信任关系和注意力机制深度推荐方法，其特征在于，包括以下步骤：
步骤一，采用软间隔支持向量机Soft-marginSVM的方法建立社交关系预测模块，通过用户的评分和社交关系对用户的不信任关系和信任关系进行预测和补充，再结合用户的评分相似度和共同评分用户的数量，重新评估用户间的信任关系和不信任关系的权重；
步骤二，以深度学习方法为基础，建立融合注意力机制的深度推荐模型，结合用户评分信息和用户社交行为，同时根据给预测项目评过分且与用户存在社交关系的其他用户对预测项目的注意力权重，得到预测项目的预测评分；
步骤三，将用户间的信任不信任关系和注意力机制融合到信任不信任关系和注意力机制的深度推荐模型中，根据用户的信任用户和不信任用户的预测评分进行加权融合以改善用户对预测项目的预测评分，最终选取前N项形成推荐列表。


2.如权利要求1所述的融合信任不信任关系和注意力机制深度推荐方法，其特征在于，步骤一中的用户间的信任关系ET为用户l的行为能给用户u带来更好的影响或者结果，则用户u信任用户l；用户间的不信任关系ED为用户u不赞成用户k所发表的大多数观点，则用户u不信任用户k；用户间的信任关系ET和用户间的不信任关系ED之间互为镜像；
给定用户间的不信任关系ED和以项目为中心的用户交互矩阵A和矩阵O，其中矩阵A是用户项目作者矩阵，矩阵O是用户项目意见矩阵，用目标函数f2来预测用户间信任关系，结合原本用户间信任关系ET生成用户间完整信任网络G，如式(1)所示：
f2:{ED,A,O}+ET→G(1)
同时给定用户间的信任关系ET和以项目为中心的用户交互矩阵A和矩阵O，用目标函数f1来预测用户间不信任关系，结合原本用户间不信任关系ED生成用户间完整不信任网络g，如式(2)所示：
f1:{ET,A,O}+ED→g(2)
其中，式(2)中的矩阵A和矩阵O分别等同于式(1)中的矩阵A和矩阵O。


3.如权利要求2所述的融合信任不信任关系和注意力机制深度推荐方法，其特征在于，步骤一中的所述采用软间隔支持向量机Soft-marginSVM的方法建立社交关系预测模块，具体步骤包括：
步骤1-1，根据社交结构平衡理论和状态理论，得到社交关系中的用户间的信任关系和不信任关系的传递关系：
使用cij表示ui和uj之间连接，其中cij＝1表示信任关系，cij＝-1表示不信任关系，则，三元组ui,uj,uk的传递结果为：
cij＝1且cjk＝1，则cik＝1，
cij＝-1且cjk＝-1，则cij＝1；
步骤1-2，对于缺少社交关系的用户对构建标签，关联用户ui和uj的可靠性权重Wij如式(3)所示：



其中，Y为正样本矩阵，N为负样本矩阵，r为常数；当预测负链接时，<ui，uj>∈N具有负相互作用，则将可靠性权重定义为负关系函数f1；如果<ui，uj>不具有相互作用，则将可靠性权重设为常数r；
步骤1-3，社交关系预测过程如下：
设Z＝{z1,z2,...,zN}是用户间的不信任关系ED或者用户间的信任关系ET中的用户对，集合zi是用户对zi的特征向量表示，用于社交关系预测问题的软间隔支持向量机Soft-marginSVM公式如式(4)所示：



其中，εi表示每个点的犯错误程度，εi＝0表示没有错误，εi越大，表示错误越大；参数μ控制εi的影响程度；
在进行不信任预测时，针对正负样本噪声水平不同，将式(4)进一步改进为式(5)：



其中，Cy和Cn为对正负误差进行不同的加权，令Cy大于Cn，以反应正负样本间的差异行为；当仅存在单个负样本zj时，引入权重cj控制误差，负样本zj对应的每一组<ui,uk>，设置cj＝Wik，其中，Wik为<ui,uk>可靠性权重，以对具有不同可靠性的负样本中的噪声进行差分控制；
当ui和uj之间存在信任关系，并且ui和uj与另一个用户uk都不存在信任关系，则对于不信任网络ED中(ui,uk)和(uj,uk)的关系类型是相同的，当<ui,uj,uk>是平衡三元组或在<ui,uj,uk>三元组中任意两者与另一者缺少社交关系时，为了保持结构平衡，假设两个不存在社交关系的用户之间都是不信任关系；引入矩阵B，并假设xh和xt分别表示<ui,uk>和<uj,uk>，当ui和uj之间存在信任关系，则Bht＝1，否则Bht＝0；然后引入平衡理论正则化，设Bht＝0，则xh和xt具有相同类型的社交关系，社交关系公式如式(6)所示：



其中，L是基于B的拉普拉斯矩阵；对于最短路径长度为2的用户对，每对用户对需要在N和Y中且满足平衡理论；假设在X中有η+μ个样本，其中前η个来自Y∪N；通过这些提出的框架能够解决以下优化问题，基于双重形式解决公式如式(7)所示：



式(7)中的优化问题存在最小化解决方案，得到式(8)如下所示：



其中，K是所有样本的格拉姆矩阵；
将式(8)对偶问题简化后，得到最终的预测结果。


4.如权利...

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