【技术实现步骤摘要】
多用户模型的推荐系统鲁棒性影响指标分析方法及系统
[0001]本专利技术涉及社会动力学模型、推荐系统和机器学习技术，主要涉及一种利用基于代理的社会动力学模型评估推荐系统鲁棒性的系统。
技术介绍
[0002]当今社会处在一个信息量爆炸的时代，用户每天会面对大量的信息，而信息量过大会导致用户对信息的消费程度降低，从而减少信息的利用率，推荐系统的出现解决了海量信息的个性化筛选问题，系统根据用户的历史数据进行喜好分析，从而在海量数据中筛选出用户感兴趣的信息推送至用户。然而推荐系统容易遭受到来自外部的攻击，如何评估推荐系统鲁棒性显得尤为重要。传统的鲁棒性评估系统的基本概念为向原始数据集注入假用户配置文件，并伴随原始数据注入到推荐系统中，进而影响推荐系统的训练过程，导致推荐系统模型受到攻击，进而根据受到攻击的模型给出的错误结果分析模型在遭受到攻击的鲁棒性。现阶段利用机器学习、深度学习、强化学习等多种先进的方法来对注入假用户的配置进行配置，进而更加深入研究推荐系统在面对注入不同类型的假用户时的鲁棒性。然而现实中的推荐系统多为反复迭代更新的...
【技术保护点】
【技术特征摘要】
1.基于多用户用户模型的推荐系统鲁棒性影响指标分析方法，其主要特征在于：包括以下步骤：S1：获取一种带有用户评分的推荐系统数据集并载入该数据集；S2：已用户为单位个体，根据载入的数据集得到用户间相似度矩阵，同时分为普通用户、目标用户、干预用户三种不同的模型执行群体，并执行干预操作，同然后为研究模型装载研究的目标推荐算法；S3：将用户相似度矩阵输入至推荐算法进行计算，获得每个用户的推荐列表；S4：根据所有用户的推荐列表计算干预成功率；S5：用户根据自身具备的能力，在每次获得推荐列表后，根据多种指标有选择得与模型的推荐算法进行交互，并更新自身的喜好特征。再进行用户相似度矩阵的更新，并再次投入模型推荐算法进行计算，形成一种迭代模运行模式，最终得到推荐系统鲁棒性的多指标影响。2.如权利要求1所述的基于复杂网络结构的新闻生命周期预测方法，其特征在于：所述步骤S1包括：根据载入的数据集进行构建，将数据构建为用户
‑
项目二维矩阵，矩阵内容为用户对某项目的具体评分数值，将评分为空的项目填充为0评分，即评分最低值，将所有用户的缺失评分进行补全。3.如权利要求1所述的基于多用户模型的推荐系统鲁棒性影响指标分析方法，其特征在于：所述步骤S2包括：S2.1：将用户的评分项目转化为评分数值列表作为用户的喜好特征，并根据用户特征计算用户间相似度，获得用户相似度矩阵，计算相似度的方法包含但不限于余弦相似度，余弦相似度计算公式如下：其中S
xy
为用户x与用户y共同评分的项目，r
x，s
为用户x对项目s的评分，完成相似度计算后获得相似度矩阵Matrix
sim
(u，v)；S2.2：根据用户的喜好特征，并根据多种聚类方法，包含但不限于Kmeans聚类、DBSCAN等聚类方法，选取多种聚类方法均认为是同一类的用户作为目标用户群体；S2.3：根据用户相似矩阵选取与目标用户群体相似度为para
sim
的用户作为干预用户群体，计算公式如下：其中N
target
为目标用户个数，为每个干预用户新增选取的目标干预项目，加入到干预用户的喜好特征中。选取完目标用户以及干预用户之后，剩下的群体即为普通用户群体；S2.4：完成用户分类之后，为模型装备推荐算法，推荐算法包含但不限于经典协同过滤算法等。4.如权利要求1所述的基于多用户模型的推荐系统鲁棒性影响指标分析方法，其特征在于：所述步骤S3包括：根据S2.1步骤计算用户相似矩阵，并作为模型推荐算法的输入，推荐算法经过计算，给出指定用户的前n个相似用户，并根据用户项目矩阵选取出推荐项目，
并将推荐项目作为列表输出。5.如权利要求1所述的基于多用户模型的推荐系统鲁棒性影响指标分析方法，其特征在于：所述步骤S4包括：根据所有用户的推荐列表计算干预成功率，计算公式如下：其中count
hit
，count
all
分别为目标消费者中被推送到目标项目的消费者个数以及目标消费者个数。6.如权利要求1所述的多用户模型的推荐系统鲁棒性影响指标分析方法，其特征在于：所述步骤S5包括：S5.1：每个用户在接收到推荐结果之后根据当前模型迭代次数t以及用户接受度计算与模型进行交互的概率，计算公式如下：其中x
i
为用户收到的推荐列表中的项目，para
ta...
【专利技术属性】
技术研发人员：宣琦，林晨天，蔡文力，李子涵，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：
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。