一种融合信任因素的个性化推荐模型及构建方法技术

本发明专利技术公开一种融合信任因素的个性化推荐模型的构建方法，包括为计算用户相似度，构建用户

【技术实现步骤摘要】
一种融合信任因素的个性化推荐模型及构建方法


[0001]本专利技术涉及一种融合信任因素的个性化推荐模型及构建方法，属于互联网个性化推荐算法


技术介绍

[0002]中国互联网络信息中心(CNNIC)于2020年9月公示第46次《中国互联网络发展状况统计报告》，报告显示，截至2020年6月，我国网民规模达9.40亿，较2020年3月增长3625万，互联网普及率达67.0％，较2020年3月提升2.5个百分点。相较于2019年发布的第43次《报告》来看，我国网民规模增加了1.11亿，互联网普及率提升7.4个百分点。
[0003]可见互联网和大数据平台的影响力巨大，线上消费经济与实体经济并行已成为大势所趋，在当前竞争激烈的市场环境下，企业如果还是简单依靠传统营销策略进行产品销售，已经很难有立足之地。依靠大数据和个性化推荐系统，企业可以通过历史记录对用户兴趣进行预测，了解用户的需求偏好，在用户购买物品时提供一系列符合偏好的商品，不仅能够节省用户的时间和精力，还能够刺激用户的购买欲望，帮助挖掘用户的潜在购买需求，提高企业供给的精准度，提高销量，从另一角度来说，还能够帮助企业以销定产，避免不必要的库存堆积。计算机产业和信息技术行业的崛起以及云计算的应用提高了各种工具对数据的运算能力，并且扩大了数据存储容量，这都为大数据的继续发展提供了引擎，也为我们利用大数据进行个性化推荐提供了可行工具。目前大多数的电商平台都在陆续采用个性化推荐的营销模式，比如淘宝等平台的“猜你喜欢”以及网易云音乐的“每日推荐”等栏目。由此可见，个性化推荐是一个双赢的选择，既能为广大顾客带来便利，也能为企业带来利润并且帮助企业充分挖掘顾客的潜在需求。
[0004]个性化推荐系统是通过推荐算法来进行精准推荐的，目前传统个性化推荐算法主要包括基于内容、二部图、知识、关联规则挖掘、人口统计信息、推荐效用的个性化推荐算法以及协同过滤推荐算法和混合推荐算法
[1]。其中协同过滤推荐算法又包括基于用户和项目的协同过滤推荐两种。由于经济与互联网发展迅速，目前对于传统推荐算法的改进也成为学者的研究热点，比如考虑到用户多兴趣的个性化推荐以及对于“长尾项目”的推荐等。这些算法能够通过关键性的技术和方法将信息进行过滤和筛选，根据用户的偏好预测并推荐有用信息，从而缓解由于信息过载而带来的成本浪费以及其他复杂问题。在对个性化推荐的效果进行检验时，有很多学者利用了仿真技术在真实数据集上对推荐效果做了验证，以便验证所提算法或思路的效果以及保证系统的可行性。

技术实现思路

[0005]本专利技术的目的在于一种融合信任因素的个性化推荐模型及构建方法，通过将信任因素加入到基于用户的推荐算法中，可以提高为用户推荐关联商品的准确度，从而更快更高效地帮助用户购买到自己所需要的商品或者获得所需要的信息，提高用户满意度，节省用户的时间和精力。
[0006]为实现上述技术目的，达到上述技术效果，本专利技术是通过以下技术方案实现：
[0007]一种融合信任因素的个性化推荐模型的构建方法，包括以下步骤：
[0008]S1：为计算用户相似度，构建用户
‑
产品评分矩阵，并在此基础上利用Pearson相关系数初步计算评分相似度；
[0009]S2：运用信任度量模型计算用户之间的信任相似度；
[0010]S3：设定参数值将两种相似度融合得到最终相似度计算公式；
[0011]S4：通过模拟退火算法计算最优参数组合；
[0012]S5：利用融合后的相似度计算公式得出目标用户的近邻用户，然后代入评分计算公式得出目标用户对某项产品的预测评分，根据评分高低进行排序推荐，即实现TOP
‑
N推荐。
[0013]进一步的，所述S1通过选取相似度计算公式，构建评分相似度矩阵，将选取的Pearson相关系数公式与用户
‑
产品评分矩阵结合，转换得到公示如下：
[0014][0015]该公式左边代表两个用户之间的评分相似度，右边分子中的第一个因式代表该用户对某项产品的评分与对所有产品的平均评分差，第二个因式则代表某近邻用户对同一产品的评分与对所有产品的平均分的评分差；
[0016]通过该公式计算得到的相似度矩阵。
[0017]进一步的，所述S2信任相似度的计算，采用用户评分矩阵的方法，用B
u
表示用户u的评分产品集，B
v
表示用户v的评分产品集，B
m
表示与用户v具有最多共同评分产品的共同评分交集，B
u
∩B
v
表示用户u和用户v的共同评分农产品的交集；
[0018]令T(u，v)表示用户u和用户v之间的信任关系，即用户u信任用户v的程度，信任度表示公式如下：
[0019][0020]进一步的，所述S3在计算出评分相似度、信任相似度后，将二者通过设定参数相加得到融合后的用户相似度，令Sim
new
(u,v)表示融合后用户U、V的相似度，具体公式见公式：
[0021]Sim
new
(u,v)＝αSim(u,v)+(1
‑
α)T(u,v)。
[0022]进一步的，所述S4通过模拟退火算法计算最优参数组合，融合相似度模型中的模拟退火算法包括步骤：
[0023]a、获取数据集，对数据集进行清洗处理；
[0024]b、获取客户之间的trust值以及找出对应的Pearson相关系数；
[0025]c、写出计算预测评分程序，即利用本章所构建模型计算预测评分与实际评分差值的MAE、MSE；
[0026]d、初始化参数，设定最终返回结果为最小MAE值，设定每次降温迭代次数、阶跃因数以及初始温度；
[0027]e、运行以及不断迭代，得出使得MAE值最小的α参数的值，即为本模型最优参数。
[0028]进一步的，所述S5TOP
‑
N推荐，针对有历史记录的用户，首先通过融合相似度的计算得出近邻用户，再通过公式计算出目标用户对产品的预测评分，根据预测评分排名进行顺序推荐，具体公式见公式如下：
[0029][0030]此公式左边代表预测用户U对某项目的评分(即该项目的可推荐度)，公式右边第一部分为用户U对各项目的历史平均评分，第二项为根据邻居用户(数目可调整)对该项目的评分对用户U评分的调整，将评分较高的产品进行推荐，即TOP
‑
N推荐。
[0031]本专利技术的有益效果：
[0032]本专利技术通过将信任因素加入到基于用户的推荐算法中，可以提高为用户推荐关联商品的准确度，从而更快更高效地帮助用户购买到自己所需要的商品或者获得所需要的信息，提高用户满意度，节省用户的时间和精力。因为该算法需要利用用户相似度进行预测评分计算，所以加入信任因素后，本文为评分相似度和信任相似度各赋予了一个不固定权重，该权重需要具体到数据才能确定最佳位置，因此也间接提高了推荐的准确性和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合信任因素的个性化推荐模型的构建方法，其特征在于：包括以下步骤：S1：为计算用户相似度，构建用户
‑
产品评分矩阵，并在此基础上利用Pearson相关系数初步计算评分相似度；S2：运用信任度量模型计算用户之间的信任相似度；S3：设定参数值将两种相似度融合得到最终相似度计算公式；S4：通过模拟退火算法计算最优参数组合；S5：利用融合后的相似度计算公式得出目标用户的近邻用户，然后代入评分计算公式得出目标用户对某项产品的预测评分，根据评分高低进行排序推荐，即实现TOP
‑
N推荐。2.如权利要求1所述的融合信任因素的个性化推荐模型的构建方法，其特征在于：所述S1通过选取相似度计算公式，构建评分相似度矩阵，将选取的Pearson相关系数公式与用户
‑
产品评分矩阵结合，转换得到公示如下：该公式左边代表两个用户之间的评分相似度，右边分子中的第一个因式代表该用户对某项产品的评分与对所有产品的平均评分差，第二个因式则代表某近邻用户对同一产品的评分与对所有产品的平均分的评分差；通过该公式计算得到的相似度矩阵。3.如权利要求1所述的融合信任因素的个性化推荐模型的构建方法，其特征在于：所述S2信任相似度的计算，采用用户评分矩阵的方法，用B
u
表示用户u的评分产品集，B
v
表示用户v的评分产品集，B
m
表示与用户v具有最多共同评分产品的共同评分交集，B
u
∩B
v
表示用户u和用户v的共同评分农产品的交集；令T(u，v)表示用户u和用户v之间的信任关系，即用户u信任用户v的程...

【专利技术属性】
技术研发人员：龚映梅，侯玉寒，王有刚，刘俊伯，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：