基于显性和隐性信任的协同过滤推荐方法技术

本发明专利技术提供了一种基于显性和隐性信任的协同过滤推荐方法，包括：根据用户物品评分矩阵R，计算用户u对用户v进行预测评分时的准确性；计算用户u对用户v的依赖程度；根据准确性和依赖程度，计算用户u对用户v的隐性信任度；根据隐性信任度对用户物品评分矩阵R进行填充；计算用户u对物品的评分置信度；根据评分置信度和填充处理后的用户物品评分矩阵，计算用户u对用户v之间的相似性；计算用户u的全局信任度，以及用户u对用户v的局部信任度；根据全局信任度和局部信任度，计算用户u对用户v的最终信任度；修正用户u的潜在特征用户矩阵；根据潜在用户特征矩阵，预测用户u对物品i的评分。本发明专利技术能解决由于信息过载导致的数据稀疏和用户冷启动问题，提高推荐准确性。

【技术实现步骤摘要】
基于显性和隐性信任的协同过滤推荐方法
本专利技术涉及推荐
，特别涉及一种基于显性和隐性信任的协同过滤推荐方法。
技术介绍
社交媒体是人们现在常用交流和获取信息的重要平台。社交媒体用户可以在此平台进行关注好友、评论好友、转发评论、浏览热点新闻等。社交媒体中会记录下用户的行为数据，由于社交媒体的用户巨多，所以用户的行为信息是海量的，如新浪微博、今日头条中的关注和浏览信息，Epinions(Epinions是一个大众消费者点评网站)中的信任信息等。和现实世界中相同，社交媒体中同样存在用户之间相互影响彼此的选择和相互推荐自己喜欢的。比如说现在机器学习这么火热，人们想了解“机器学习”的最新研究状况，我们通常会先了解机器学习领域中的专家们，看一下他们的课题组最近在研究的方向，跟进即可。也就是说，有些时候我们通常会去找我们相信的那些人，去看他们推荐的东西，影响我们即将采取的行为。这就说明融合社会关系的建模有利于改进推荐的质量。传统的推荐系统方法主要有基于用户的推荐、基于物品的推荐、基于内容的推荐等，由于信息密度低，信息来源单一，计算量大等系列问题，导致长时间内推荐系统推荐效果提升不高。研究者们开始关注社交网络中融合信任关系的推荐方法。但是传统的基于信任的推荐方法仅利用简单的二值信任网络，并没有区分不同信任关系的强度，而在现实生活中即使都是朋友也有亲疏之分，因此我们应该区别对待不同强度的社会关系。后来基于社交网络中信任的研究，都只是单方面的研究显示信任和隐性信任融合推荐系统，从而使得目前的推荐方法存在由于信息过载导致的数据稀疏和用户冷启动问题，影响推荐准确性。
技术实现思路
本专利技术提供了一种基于显性和隐性信任的协同过滤推荐方法，其目的是为了解决由于信息过载导致的数据稀疏和用户冷启动问题。为了达到上述目的，本专利技术的实施例提供了一种基于显性和隐性信任的协同过滤推荐方法，该协同过滤推荐方法包括：步骤1，根据用户物品评分矩阵R，计算用户u对用户v的进行预测评分时的准确性；步骤2，计算用户u对用户v的依赖程度；步骤3，根据所述准确性和所述依赖程度，计算用户u对用户v的隐性信任度；步骤4，根据所述隐性信任度对用户物品评分矩阵R进行填充，得到填充处理后的用户物品评分矩阵；步骤5，计算用户u对物品的评分置信度；步骤6，根据所述评分置信度和填充处理后的用户物品评分矩阵，计算用户u与用户v之间的相似性；步骤7，计算用户u的全局信任度，并计算用户u对用户v的局部信任度；步骤8，根据所述全局信任度和所述局部信任度，计算用户u对用户v的最终信任度；步骤9，根据所述相似性和所述最终信任度，修正用户u的潜在用户特征矩阵；步骤10，根据所述潜在用户特征矩阵，预测用户u对物品i的评分。本专利技术的上述方案至少有如下的有益效果：在本专利技术的实施例中，通过充分挖掘了用户的信息，将隐性信任和显性信任融合在推荐系统中，使数据稀疏的效果更加能考虑到用户的偏好信息，缓解用户物品评分矩阵数据稀疏的问题，以及用户冷启动的问题，提高推荐准确性。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。图1是本专利技术实施例的基于显性和隐性信任的协同过滤推荐方法的流程图；图2是本专利技术实施例的验证实验中数据集的统计数据的示意图；图3是本专利技术实施例的验证实验中参数的示意图；图4是本专利技术实施例的验证实验中实验结果的示意图之一；图5是本专利技术实施例的验证实验中实验结果的示意图之二。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。如图1所示，本专利技术的实施例提供了一种基于显性和隐性信任的协同过滤推荐方法，该协同过滤推荐方法包括如下步骤：步骤1，根据用户物品评分矩阵R，计算用户u对用户v进行预测评分时的准确性。其中，在本专利技术的实施例中，上述步骤1的具体实现方式可以为：通过公式计算用户u对用户v进行预测评分时的准确性。其中，Accuracy(u，v)表示用户u对用户v进行预测评分时的准确性，Iuv＝Iu∩Iv，Iuv表示用户u与用户v共同评分的物品集合，ru，i表示用户物品评分矩阵R中用户u对物品i的真实评分，rmax表示用户物品评分矩阵R中用户u对物品i的评分最大值，pu,i表示基于单一用户的评分信息计算出来的用户u对物品i的预测评分，表示在用户物品评分矩阵R中用户u评论过的物品的平均评分，表示在用户物品评分矩阵R中用户v评论过的物品的平均评分。需要说明的是，在计算用户u对用户v进行预测评分时的准确性之前，可对预先得到的用户物品评分矩阵R进行预处理(包括但不限于删除不必要的数据等操作)，以提高准确性的计算效率。步骤2，计算用户u对用户v的依赖程度。其中，由于用户物品评分矩阵R数据相对来说稀疏，用户共同评分的物品少，准确性会降低，所以要计算出用户评分时数据的可依赖程度，即依赖性。具体的，在本专利技术的实施例中，上述步骤2的具体实现方式可以为：通过公式计算用户u对用户v的依赖程度。其中，Dependability(u，v)表示用户u对用户v的依赖程度，Iu表示用户u已评分的物品集合，Iv表示用户v已评分的物品集合。步骤3，根据所述准确性和所述依赖程度，计算用户u对用户v的隐性信任度。其中，在本专利技术的实施例中，将隐性信任综合用户评分准确性与可依赖度因素进行整体度量，使用用户间的准确性和依赖性共同表示隐性信任度。具体的，在本专利技术的实施例中，上述步骤3的具体实现方式可以为：通过公式计算用户u对用户v的隐性信任度。其中，trim(u，v)表示用户u对用户v的隐性信任度。由于用户总是信任自己的，用户u对用户u的信任是百分之百的，即trim(u，u)＝1。步骤4，根据所述隐性信任度对用户物品评分矩阵R进行填充，得到填充处理后的用户物品评分矩阵。其中，在本专利技术的实施例中，根据步骤3计算出来的隐性信任度，对用户物品评分矩阵进行数据的填充，能使用户的偏好更加准确。具体的，在本专利技术的实施例中，上述步骤4的具体实现方式可以为：定义隐性信任邻居集合TNim，给定用户u，若使trim(u,v)＞0，则称用户v为用户u的隐性信任邻居，用户u的隐性信任邻居集合为其中,u∈U，U表示用户集合；定义候选评分物品集合给定用户u，若且使rv,i∈R成立，则称物品i为用户u的候选评分物品本文档来自技高网...

【技术保护点】
1.一种基于显性和隐性信任的协同过滤推荐方法，其特征在于，包括：/n步骤1，根据用户物品评分矩阵R，计算用户u对用户v的进行预测评分时的准确性；/n步骤2，计算用户u对用户v的依赖程度；/n步骤3，根据所述准确性和所述依赖程度，计算用户u对用户v的隐性信任度；/n步骤4，根据所述隐性信任度对用户物品评分矩阵R进行填充，得到填充处理后的用户物品评分矩阵；/n步骤5，计算用户u对物品的评分置信度；/n步骤6，根据所述评分置信度和填充处理后的用户物品评分矩阵，计算用户u与用户v之间的相似性；/n步骤7，计算用户u的全局信任度，并计算用户u对用户v的局部信任度；/n步骤8，根据所述全局信任度和所述局部信任度，计算用户u对用户v的最终信任度；/n步骤9，根据所述相似性和所述最终信任度，修正用户u的潜在用户特征矩阵；/n步骤10，根据所述潜在用户特征矩阵，预测用户u对物品i的评分。/n

【技术特征摘要】
1.一种基于显性和隐性信任的协同过滤推荐方法，其特征在于，包括：
步骤1，根据用户物品评分矩阵R，计算用户u对用户v的进行预测评分时的准确性；
步骤2，计算用户u对用户v的依赖程度；
步骤3，根据所述准确性和所述依赖程度，计算用户u对用户v的隐性信任度；
步骤4，根据所述隐性信任度对用户物品评分矩阵R进行填充，得到填充处理后的用户物品评分矩阵；
步骤5，计算用户u对物品的评分置信度；
步骤6，根据所述评分置信度和填充处理后的用户物品评分矩阵，计算用户u与用户v之间的相似性；
步骤7，计算用户u的全局信任度，并计算用户u对用户v的局部信任度；
步骤8，根据所述全局信任度和所述局部信任度，计算用户u对用户v的最终信任度；
步骤9，根据所述相似性和所述最终信任度，修正用户u的潜在用户特征矩阵；
步骤10，根据所述潜在用户特征矩阵，预测用户u对物品i的评分。


2.根据权利要求1所述的协同过滤推荐方法，其特征在于，所述步骤1包括：
通过公式计算用户u对用户v进行预测评分时的准确性；
其中，Accuracy(u，v)表示用户u对用户v进行预测评分时的准确性，Iu用户u评过分的物品集合，Iv用户v评过分的物品集合，Iuv＝Iu∩Iv，Iuv表示用户u与用户v共同评分的物品集合，ru，i表示用户物品评分矩阵R中用户u对物品i的真实评分，rmax表示用户物品评分矩阵R中用户u对物品i的评分最大值，pu,i表示基于单一用户的评分信息计算出来的用户u对物品i的预测评分，表示在用户物品评分矩阵R中用户u评论过的物品的平均评分，表示在用户物品评分矩阵R中用户v评论过的物品的平均评分。


3.根据权利要求2所述的协同过滤推荐方法，其特征在于，所述步骤2包括：
通过公式计算用户u对用户v的依赖程度；
其中，Dependability(u，v)表示用户u对用户v的依赖程度，Iu表示用户u已评分的物品集合，Iv表示用户v已评分的物品集合。


4.根据权利要求3所述的协同过滤推荐方法，其特征在于，所述步骤3包括：
通过公式trim(u,v)＝Dependability(u,v)×Accuracy(u,v)，计算用户u对用户v的隐性信任度；其中，trim(u，v)表示用户u对用户v的隐性信任度。


5.根据权利要求4所述的协同过滤推荐方法，其特征在于，所述步骤4包括：
定义隐性信任邻居集合TNim，给定用户u，若使trim(u,v)>0，则称用户v为用户u的隐性信任邻居，用户u的隐性信任邻居集合为其中，u∈U，U表示用户集合；
定义候选评分物品集合给用户u，若且使rv,i∈R成立，则称物品i为用户u的候选评分物品，用户u的候选评分物品集合为...

【专利技术属性】
技术研发人员：邓晓衡，赵敏，黄文俊，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南;43