【技术实现步骤摘要】
本专利技术属于推荐系统领域，涉及一种基于挖掘负面信任和物品区分度的推荐方法。
技术介绍
1、社会化推荐的研究在推荐系统领域一直是一个重点研究方向。通过挖掘用户之间的社交关系，并将社交关系作为推荐系统的重要信息补充，为缺少交互行为的用户提供可靠的推荐。社会化推荐通过利用社交邻居来捕捉交互稀疏用户的偏好，可以有效缓解数据稀疏问题。很多研究已经证明，借助社会关系的推荐模型可以实现更高的预测准确性并提供更好的推荐结果。根据社会关系的用法，算法大致可以分为两类：一种是直接推导公式，让衡量社交关系的信任值构成评分或者交互概率的一部分，再与真实的评分数据一起计算损失函数。另一种是将社交关系看作一种图结构数据，作为卷积网络中的邻接矩阵参与提取、集合相邻用户的特征，再输出到预测层。
2、近年来深度学习在人工智能和大数据领域的应用越来越广泛，基于深度学习的推荐系统研究已经取得了巨大进展。现代推荐系统引入的辅助信息通常包括：文本信息、评论信息、社交信息、交互行为信息等。然而复杂的信息让人难以抉择，这些信息一味地增加可能性，却无法增加确定性。用户之...
【技术保护点】
1.一种基于挖掘负面信任和物品区分度的推荐方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于挖掘负面信任和物品区分度的推荐方法，其特征在于，所述用户-物品历史交互数据包括用户ID、物品ID、评分或者交互记录；所述社交信任数据包括信任者ID、被信任者ID。
3.如权利要求1所述的一种基于挖掘负面信任和物品区分度的推荐方法，其特征在于，所述社会化推荐模型包括输入层、传播层和预测层，所述输入层用以获取用户嵌入表示和物品嵌入表示；所述传播层用以物品信息和用户信息的传递和交互，更新细化用户嵌入表示和物品嵌入表示；所述预测层用以对更新细化后的...
【技术特征摘要】
1.一种基于挖掘负面信任和物品区分度的推荐方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于挖掘负面信任和物品区分度的推荐方法，其特征在于，所述用户-物品历史交互数据包括用户id、物品id、评分或者交互记录；所述社交信任数据包括信任者id、被信任者id。
3.如权利要求1所述的一种基于挖掘负面信任和物品区分度的推荐方法，其特征在于，所述社会化推荐模型包括输入层、传播层和预测层，所述输入层用以获取用户嵌入表示和物品嵌入表示；所述传播层用以物品信息和用户信息的传递和交互，更新细化用户嵌入表示和物品嵌入表示；所述预测层用以对更新细化后的用户嵌入表示和物品嵌入表示进行聚合预测，排序出用户与所有物品的交互概率，以获得用户的推荐物品列表。
4.如权利要求1所述的一种基于挖掘负面信任和物品区分度的推荐方法，其特征在于，所述负面信任挖掘模块用以挖掘负面信任关系并进行排序处理，具体为：对数据中的每个用户的信任用户和非信任用户进行成对采样，获得所有正负信任用户对三元组；使用均值聚合函数聚合每个用户的邻居的物品信息，来获得每个用户的最终嵌入表示；使用获得的最终嵌入表示进...
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。