本發(fā)明涉及信息過濾中的推薦技術研究領域，具體涉及一種基于綜合評價信任的面向個性化的社交網絡推薦模型構建方法的研究。

背景技術：

隨著網絡的發(fā)展與普及，人們在網絡上能獲取到越來越多的信息，這給人們的生活帶來很大的便利，人們可以網上購物、聊天、查閱資料等。但是隨著時間的推移，網絡上的信息變得斑駁繁雜，人們很難繼續(xù)在網絡上獲取對自己有用的信息，我們稱此現(xiàn)象為“信息過載”。

針對這一難題，個性化推薦系統(tǒng)(Recommender System)應運而生。該系統(tǒng)主要基于大數(shù)據(jù)的挖掘來提供智能服務，通過分析用戶的購物特征來給用戶推薦其感興趣的商品。如今，個性化推薦系統(tǒng)已經被眾多領域廣泛關注和研究，它是根據(jù)用戶平時的愛好、社交圈、購物特征等來推薦商品，所以該技術能使用戶快速獲取喜歡的商品同時也能為商家挽留客戶群體，避免了經濟的損失。

傳統(tǒng)互聯(lián)網推薦系統(tǒng)主要采用基于協(xié)同過濾推薦，基于內容的推薦，混合推薦等幾種推薦技術，對推薦項目的信任研究涉及較少，所以，將信任運用到推薦中可以顯著提高推薦算法的準確性。基于信任的協(xié)同過濾推薦算法要比單純的協(xié)同過濾效果更好，推薦準確度更高。隨著國內外學者的研究，基于信任的個性化推薦更能挖掘用戶的社會關系和用戶的特征，從而能為用戶提供更加優(yōu)秀的個性化服務。

技術實現(xiàn)要素：

本發(fā)明的目的在于提供一種基于綜合評價信任的社交網絡推薦模型構建方法，實現(xiàn)能全面地、準確地、客觀地量化被推薦用戶與鄰居用戶之間在社交網絡中的信任關系，以信任為基礎來提高對被推薦用戶推薦最優(yōu)Item的成功率的社交網絡信任模型的構建方法。具體技術方案如下：

一種基于綜合評價信任的社交網絡推薦模型構建方法，包括如下步驟：

(1)初步確認被推薦用戶和鄰居用戶之間的信任關系；

(2)建立被推薦用戶和鄰居用戶之間評價相似度信任；

(3)建立被推薦用戶和鄰居用戶之間社交關系相似度信任；

(4)建立被推薦用戶和鄰居用戶之間PageRank信任；

(5)結合步驟(2)-(4)的結果得到用戶間的綜合評價信任值。

進一步地，步驟(1)中通過分析數(shù)據(jù)初步確認用戶之間的信任關系，所述數(shù)據(jù)包括社交網絡結構圖。

進一步地，步驟(2)中，計算被推薦用戶U_i和鄰居用戶U_j的評價相似信任度包括：設是U_i，U_j都參與評分的項目集，通過獲取U_i對I_C的評分，獲得U_i對I_C的評價向量，記為：通過獲取U_j對I_C的評分，獲得U_j對I_C的評價向量，記為：I_C項目集總數(shù)為n′，則U_i與U_j之間的評價相似度信任值為：

$T_{ij}^R=\frac{\underset{l=1}{\overset{n}{\Σ}}{T}_{{\mathrm{ik}}_l}^r\×T_{{\mathrm{jk}}_l}^r}{\sqrt{\underset{l=1}{\overset{n}{\Σ}}{\left(T_{{\mathrm{ik}}_l}^r\right)}^2}\×\sqrt{\underset{l=1}{\overset{n}{\Σ}}{\left(T_{{\mathrm{jk}}_l}^r\right)}^2}}---\left(1\right).$

進一步地，步驟(3)中，計算被推薦用戶U_i和鄰居用戶U_j的社交關系相似信任度包括：設U_c＝{U₁,U₂,U₃,...,U_n'}是與U_i，U_j都有直接交互的社交用戶集，通過獲取U_i與U_c之間的信任關系，獲得U_i與U_c的信任用戶子集通過獲取U_j與U_c之間的信任關系，獲得U_j與U_c的信任用戶子集U_c社交用戶集總數(shù)為n′，則U_i與U_j之間的社交關系相似信任值為：

$T_{ij}^S=\frac{U_{ci}\∩U_{cj}}{U_{ci}\∪U_{cj}}---\left(2\right).$

進一步地，步驟(4)中計算用戶U_i的PageRank信任度包括：設U_c＝{U₁,U₂,U₃,...,U_n'}是與U_i有直接交互的社交用戶集，通過獲取U_i對U_c社交用戶集之間的信任關系，獲得U_i對U_c的信任向量，記為：通過獲取社交用戶集U_c與U_i之間的信任關系，獲得U_c對U_i的信任向量，記為：U_c通信用戶集的總數(shù)為n′，則U_i的PageRank信任值為：

${T_i}^{PR}=q\underset{j\∈Y\left({T_i}^P\right)}{\Σ}\frac{1}{\mathrm{\Σ}X\left({T_i}^P\right)}+(1-q)/n---\left(3\right).$

進一步地，步驟(5)中，計算被推薦用戶U_i與鄰居用戶U_j之間的綜合評價信任值為：

$T_{ij}={\mathrm{\β}}_1\×T_{ij}^R+{\mathrm{\β}}_2\×T_{ij}^S+{\mathrm{\β}}_3\×T_j^{PR}---\left(4\right)$

其中β是權衡系數(shù)，滿足條件β₁+β₂+β₃＝1。

進一步地，進一步包括步驟(6)：選出評分最高的相鄰用戶推薦給用戶。

進一步地，步驟(6)中包括：

(6-1)獲取被推薦用戶的鄰居集{u₁,u₂,...,u_n}；

(6-2)獲取被推薦用戶感興趣的Item集{I₁,I₂,...,I_n}；

(6-3)鄰居集對Item集的評分集合為r_ij通過公式

${\hat{r}}_{ij}=\frac{1}{k}\underset{k=1}{\overset{n}{\Σ}}{r}_{ik}+\frac{\underset{k=1}{\overset{n}{\Σ}}{T}_{ij}(r_{ik}-r_{jk})}{\underset{i=1,j=1}{\overset{n}{\Σ}}{T}_{ij}}---\left(5\right)$

預測出被推薦用戶對Item集的評分；

(6-4)選出評分最高的最優(yōu)Item推薦給用戶。

與目前現(xiàn)有技術相比，本發(fā)明針對個性化推薦的發(fā)展趨勢，通過信任來對用戶進行個性化推薦，運用了隱式用戶信任并引入了用戶評價相似度信任、用戶社交關系相似度信任和PageRank信任三個信任度，提出了一種基于綜合信任評價的社交網絡推薦模型，并在公開數(shù)據(jù)集上驗證我們的算法，本文旨在從信任的角度去剖析推薦項目的準確性和可靠性，從另外一個角度去探討推薦系統(tǒng)的研究。該基于綜合評價信任的社交網絡推薦模型構建系統(tǒng)通過對社交網絡結構圖的分析，挖掘出用戶之間的信任關系，建立被推薦用戶和鄰居用戶之間評價相似度信任、社交關系相似度信任和PageRank信任，從而結合上述信任度量方法，構建出用戶間的綜合評價信任值，實現(xiàn)了準確地量化社交網絡中被推薦用戶與鄰居用戶信任關系的目的。通過這種量化的信任關系，改進了利用用戶評價相似度來提供推薦服務的傳統(tǒng)推薦模型推薦準確率低的弊端，最大化滿足社交網絡中被推薦用戶個性化推薦的需求。

附圖說明

圖1為本發(fā)明實施例公開的獲取被推薦用戶U_i和鄰居用戶U_j的評價相似度信任示意圖；

圖2為本發(fā)明實施例公開的獲取被推薦用戶U_i和鄰居用戶U_j的社交關系相似信任示意圖；

圖3為本發(fā)明實施例公開的獲取被推薦用戶U_i和鄰居用戶U_j的PageRank信任示意圖；

圖4為本發(fā)明實施例公開的一種基于綜合評價信任的社交網絡推薦模型構建系統(tǒng)構建方法流程圖；

圖5為本發(fā)明實施例公開的實驗結果圖。

具體實施方式

下面根據(jù)附圖對本發(fā)明進行詳細描述，其為本發(fā)明多種實施方式中的一種優(yōu)選實施例。

在一個優(yōu)選實施例中，一種基于綜合評價信任的社交網絡推薦模型構建方法，包括如下步驟：初步確認被推薦用戶和鄰居用戶之間的信任關系；建立被推薦用戶和鄰居用戶之間評價相似度信任；建立被推薦用戶和鄰居用戶之間社交關系相似度信任；建立被推薦用戶和鄰居用戶之間PageRank信任；接合步驟(2)-(4)的結果得到用戶間的綜合評價信任值。

在另一個優(yōu)選實施例中，可以采用如下方案：一種基于綜合評價信任的社交網絡推薦模型構建系統(tǒng)，推薦系統(tǒng)計算被推薦用戶U_i和鄰居用戶U_j的評價相似信任度。設是U_i，U_j都參與評分的項目集，通過獲取U_i對I_C的評分，獲得U_i對I_C的評價向量，記為：通過獲取U_j對I_C的評分，獲得U_j對I_C的評價向量，記為：I_C項目集總數(shù)為n′，則U_i與U_j之間的評價相似度信任值為(圖1)：

$Y_{ij}^R=\frac{\underset{l=1}{\overset{n}{\Σ}}{T}_{{\mathrm{ik}}_l}^r\×T_{{\mathrm{jk}}_l}^r}{\sqrt{\underset{l=1}{\overset{n}{\Σ}}{\left(T_{{\mathrm{ik}}_l}^r\right)}^2}\×\sqrt{\underset{l=1}{\overset{n}{\Σ}}{\left(T_{{\mathrm{jk}}_l}^r\right)}^2}}---\left(1\right)$

推薦系統(tǒng)計算被推薦用戶U_i和鄰居用戶U_j的社交關系相似信任度。設U_c＝{U₁,U₂,U₃,...,U_n'}是與U_i，U_j都有直接交互的社交用戶集，通過獲取U_i與U_c之間的信任關系，獲得U_i與U_c的信任用戶子集通過獲取U_j與U_c之間的信任關系，獲得U_j與U_c的信任用戶子集U_c社交用戶集總數(shù)為n′，則U_i與U_j之間的社交關系相似信任值為(圖2)：

$T_{ij}^S=\frac{U_{ci}\∩U_{cj}}{U_{ci}\∪U_{cj}}---\left(2\right)$

推薦系統(tǒng)計算用戶U_i的PageRank信任度。設U_c＝{U₁,U₂,U₃,...,U_n'}是與U_i有直接交互的社交用戶集，通過獲取U_i對U_c社交用戶集之間的信任關系，獲得U_i對U_c的信任向量，記為：通過獲取社交用戶集U_c與U_i之間的信任關系，獲得U_c對U_i的信任向量，記為：U_c通信用戶集的總數(shù)為n′，則U_i的PageRank信任值為(圖3)：

${T_i}^{PR}=q\underset{j\∈Y\left({T_i}^P\right)}{\Σ}\frac{1}{\mathrm{\Σ}X\left({T_i}^P\right)}+(1-q)/n---\left(3\right)$

綜合以上信任值，被推薦用戶U_i與鄰居用戶U_j之間的綜合評價信任值為：

$T_{ij}={\mathrm{\β}}_1\×T_{ij}^R+{\mathrm{\β}}_2\×T_{ij}^S+{\mathrm{\β}}_3\×T_j^{PR}---\left(4\right)$

其中β是權衡系數(shù)，滿足條件β₁+β₂+β₃＝1。

基于上述評價相似度信任值社交關系相似信任值和PageRank信任值通過式(4)求得被推薦用戶與鄰居用戶之間的綜合評價信任值T_ij。

推薦系統(tǒng)獲取被推薦用戶的鄰居集{u₁,u₂,...,u_n}，獲取被推薦用戶感興趣的Item集{I₁,I₂,...,I_n}，鄰居集對Item集的評分集合為r_ij通過公式

${\hat{r}}_{ij}=\frac{1}{k}\underset{k=1}{\overset{n}{\Σ}}{r}_{ik}+\frac{\underset{k=1}{\overset{n}{\Σ}}{T}_{ij}(r_{ik}-r_{jk})}{\underset{i=1,j=1}{\overset{n}{\Σ}}{T}_{ij}}---\left(5\right)$

預測出被推薦用戶對Item集的評分，選出評分最高的最優(yōu)Item推薦給用戶(圖4)。

本發(fā)明實驗采用真實數(shù)據(jù)集Epinions(www.Epinions.com)，該數(shù)據(jù)集包括用戶對項目的評分以及用戶之間的信任關系，具體數(shù)據(jù)見表5-1。我們將用戶-項目評分數(shù)據(jù)拆分為80％的訓練集和20％的測試集。

表5-1 Epinions數(shù)據(jù)集

圖4為本發(fā)明具體實施方式的實驗結果，該圖表明本發(fā)明的模型較傳統(tǒng)的協(xié)同過濾推薦模型的推薦準確性有明顯的提高

算法：

上面結合附圖對本發(fā)明進行了示例性描述，顯然本發(fā)明具體實現(xiàn)并不受上述方式的限制，只要采用了本發(fā)明的方法構思和技術方案進行的各種改進，或未經改進直接應用于其它場合的，均在本發(fā)明的保護范圍之內。