get_user 的屬性向量數(shù)據(jù)(Attr_l，Attr_2，. . .，Attr_m)，推薦用戶中每個(gè)用戶的屬性向量數(shù)據(jù)包含 m組多維數(shù)據(jù)(Data_l，Data_2, . . .，Data_m)，被推薦用戶屬性向量數(shù)據(jù)包含s組多維數(shù)據(jù) (Data_l，Data_2, . . .，Data_s)，屬性向量數(shù)據(jù)構(gòu)造用戶云圖的樣本集，其中，每組數(shù)據(jù)均屬 于該樣本集，根據(jù)樣本集計(jì)算樣本均值向量，樣本均值是用戶屬性向量數(shù)據(jù)在整個(gè)云圖空 間分布的期望，把用戶屬性抽象為一個(gè)定性概念，期望即代表用戶屬性定性概念的點(diǎn)，期望 的計(jì)算公式為：
[0031]
⑴
[0032] 其中，其中&是用戶屬性期望向量均值，$代表用戶多維用戶屬性數(shù)值均值，i代 表用戶屬性的維數(shù)，η代表有屬性向量數(shù)據(jù)組數(shù)。根據(jù)期望向量計(jì)算得出云圖的熵值向量， 熵值向量是由用戶屬性這個(gè)定性概念的隨機(jī)性和模糊性決定，是該定性概念的不確定性的 度量。計(jì)算公式為：
[0033]
(2)
[0034] 其中高代表用戶屬性熵值向量均值。方差在云模型中無(wú)特別意義，是為了計(jì)算云 的超熵做準(zhǔn)備，方差向量了的計(jì)筧公式如下：
[0035]
⑶
[0036] 超熵是熵的不確定性度量，是云模型的一個(gè)屬性參數(shù)。超熵向量均值運(yùn)計(jì)算公式 為：
[0037]
(4):
[0038] 多維逆向云發(fā)生器根據(jù)上述結(jié)果生成推薦用戶和被推薦用戶的生成云
[0039] S22:根據(jù)被推薦用戶的生成云和任一關(guān)注中的推薦用戶的生成云，多維云相似度 算法模塊計(jì)算被推薦用戶與任一推薦用戶生成云的相似度，分別計(jì)算被推薦用戶和所有推 薦用戶兩兩之間生成云的相似度(sim_l，sim_2,. . .，sim_k)。
[0040]如圖3所示為綜合云模型統(tǒng)一評(píng)分標(biāo)準(zhǔn)流程，具體包括：
[0041 ] S23:取被推薦用戶target_user和推薦用user_l，…，user_n的評(píng)分（Rating_l， Rating_2, . . .，Rating_n)，通過(guò)云模型的逆向云發(fā)生器生成代表用戶評(píng)分行為的云，代表 云屬性的三個(gè)向量分別為用戶屬性期望向量、用戶屬性熵值向量、超熵向量(Ex，En，He)，其 中，Ex代表用戶評(píng)分規(guī)律的期望值，En代表評(píng)分規(guī)律的隨機(jī)性和模糊性，He是評(píng)分云中熵的 熵，代表熵的不確定性和模糊性，計(jì)算公式分別如下：
[0046]其中，η表示用戶評(píng)分的個(gè)數(shù)，Xl代表第i個(gè)用戶的評(píng)分。
[0047] S24:使用綜合云模型將所有用戶評(píng)分云進(jìn)行合并，生成一朵父云。具體包括:取被 推薦用戶和任一推薦用戶的評(píng)分云生成兩個(gè)用戶評(píng)分云的父云，將該父云與第三個(gè)推薦用 戶的評(píng)分云進(jìn)行合并，以此類(lèi)推，最終，將被推薦用戶評(píng)分云和關(guān)注用戶集中的所有用戶的 評(píng)分云綜合為一朵父云。其中，生成基于兩個(gè)用戶的父云需要獲得這兩個(gè)用戶云圖的截?cái)?熵Ε η '，根據(jù)兩個(gè)用戶的父云的云圖的數(shù)學(xué)期望曲線C ' τ ( X )，根據(jù)公式：
(?，計(jì)算用戶的截?cái)囔?，其中?duì)于用戶1和用戶2,云圖的數(shù) 學(xué)期望曲線分別為Cti(x)、Ct2(x)，
[0048]
[0049]
[0050] 帶入公式(9)分別計(jì)算兩個(gè)用戶的截?cái)囔谽n'1，En'2，其中C' T1(X)為CT1(X)大于CT2 (X)的部分，反之亦如此。由兩用戶的期望ΕΧ1、Εχ2和截?cái)囔谽n'1、En' 1，根據(jù)公式：
[0051]
(丨〗）茯得父云的期望Ex。
[0052] 由兩用戶的截?cái)囔谽n ' jPEn ' 2，可以綜合求得云的熵En:
[0053] En = En'i+En'2 (12)
[0054] 根據(jù)兩用戶各自的超熵如1與如2和各自的截?cái)囔谽 n'1和En'2，根據(jù)公式：
(1?可以求得綜合云的超熵He。以此類(lèi)推，當(dāng)對(duì)所有待 合并η個(gè)用戶評(píng)分云進(jìn)行合并生成父云時(shí)，根據(jù)公式：
獲得父云的期望Ex'， 根據(jù)公式
汁算父云的超熵He'。生成推薦用戶和被推薦用戶的評(píng)分云 的父云，為統(tǒng)一評(píng)分打下基礎(chǔ)。
[0055] S25:運(yùn)用正向云發(fā)生器計(jì)算被推薦用戶和其關(guān)注的推薦用戶的評(píng)分在初始云下 的歸屬度，歸屬度代表單個(gè)用戶評(píng)分對(duì)評(píng)分云圖期望Ex的靠近程度，根據(jù)公式： _6]
(14)
[0057] 計(jì)算歸屬度。其中，yi是用戶的評(píng)分云第i(i = l，2,3，.. .，n)個(gè)評(píng)分的隸屬度，在 父云下生成相應(yīng)義':^':1即為生成的新評(píng)分，即圖中（1^1：；[即1，瓜1：；[1^2，...，瓜1：；[1^)。；[代表 用戶屬性的維數(shù)，η代表有屬性向量數(shù)據(jù)組數(shù)。
[0058] 被推薦用戶與關(guān)注的推薦用戶的相似度計(jì)算如圖4所示。取被推薦用戶和被推薦 用戶的評(píng)分向量(Εχι,…，Εχη|Εηι,…，En n|Hei,…，Hen)，通過(guò)多維正向云發(fā)生器各自生 成nl、n2個(gè)云滴，按到零點(diǎn)的距離從小到大的排列，若η12η2,則有個(gè)組合，反之有 個(gè)組合，計(jì)算每個(gè)組合情況下云滴集之間的距離，求均值。令第j個(gè)組合的云滴距離的平方 和為Distance(i)，則相似度Similarity的計(jì)算方式為：
[0059]
(] 5)；
[0060] S3計(jì)算用戶對(duì)新物品的好感度流程圖如圖5所示：
[0061] 根據(jù)被推薦用戶與推薦用戶的相似度及推薦用戶已評(píng)分物品（推薦用戶已評(píng)分而 被推薦用戶從未評(píng)分的物品）的新評(píng)分，將相似度與新評(píng)分做乘積計(jì)算被推薦用戶對(duì)新物 品的興趣度(interesti,. . .，interestn)，將興趣度從大到小排列，取興趣度最高的前N個(gè)物 品推薦給被推薦用戶。
[0062]傳統(tǒng)topN推薦方法的相似度計(jì)算方法僅利用了單一屬性或多屬性加權(quán)進(jìn)行計(jì)算， 而利用歷史評(píng)分過(guò)程中存在個(gè)人評(píng)分習(xí)慣的差異的問(wèn)題，為克服屬性單一或多屬性計(jì)算相 似度過(guò)程中權(quán)值設(shè)置不確定的問(wèn)題，本發(fā)明所述的一種面向社交網(wǎng)絡(luò)基于云模型的topN推 薦方法，引進(jìn)多維云模型，解決了利用多屬性相似度計(jì)算過(guò)程中權(quán)值設(shè)置不確定的問(wèn)題，改 進(jìn)了相似度計(jì)算方法，引進(jìn)綜合云模型，解決評(píng)分標(biāo)準(zhǔn)不統(tǒng)一的問(wèn)題，提高了推薦的精度。 兩者結(jié)合，大大提升推薦的效果。
[0063]應(yīng)當(dāng)指出上述的流程圖，可以使本領(lǐng)域的技術(shù)人員和讀者更全面地理解本發(fā)明創(chuàng) 造的實(shí)施方法，盡管本發(fā)明說(shuō)明書(shū)參照附圖對(duì)本發(fā)明創(chuàng)造已進(jìn)行了詳細(xì)的說(shuō)明，但是，本領(lǐng) 域的技術(shù)人員應(yīng)當(dāng)理解，仍然可以對(duì)本發(fā)明創(chuàng)造進(jìn)行修改或者等同替換，總之，一切不脫離 本發(fā)明創(chuàng)造的精神和范圍的技術(shù)方案及其改進(jìn)，其均應(yīng)涵蓋在本發(fā)明創(chuàng)造專(zhuān)利的保護(hù)范圍 當(dāng)中。
【主權(quán)項(xiàng)】
1. 一種面向社交網(wǎng)絡(luò)基于云模型的topN推薦方法，其特征在于，數(shù)據(jù)獲取模塊獲取被 推薦用戶和推薦用戶信息，及已評(píng)分物品信息，提取用戶的屬性，建立推薦用戶集-被推薦 用戶集-評(píng)分物品集三層關(guān)系，構(gòu)建被推薦用戶及推薦用戶的屬性向量;多維云模型的逆向 云發(fā)生器根據(jù)推薦用戶集-被推薦用戶集關(guān)系計(jì)算被推薦用戶和推薦用戶的相似度;綜合 云模型合并被推薦用戶和推薦用戶的評(píng)分云生成父云，多維云模型的正向云發(fā)生器在父云 中生成新的評(píng)分;生成topN推薦集模塊根據(jù)相似度和新的評(píng)分計(jì)算獲得被推薦用戶的興趣 度，將所有用戶的興趣度按高低排序列表，選取前N個(gè)作為被推薦用戶的推薦集。2. 根據(jù)權(quán)利要求1所述的推薦方法，其特征在于，根據(jù)推薦用戶集-被推薦用戶集-評(píng)分 物品集得到被推薦用戶和其近鄰用戶集所關(guān)注的所有物品評(píng)分，云逆向云發(fā)生器獲取用戶 評(píng)分向量(Ex，En，He)構(gòu)建一維評(píng)分云圖；綜合云模型合并被推薦用戶和所有推薦用戶的評(píng) 分云圖生成父云；正向云發(fā)生器計(jì)算所有物品評(píng)分在一維評(píng)分云圖中的隸屬度，在父云中 根據(jù)該隸屬度生成相應(yīng)的云滴，根據(jù)云滴獲得被推薦用戶關(guān)注物品的新評(píng)分。3. 根據(jù)權(quán)利要求1所述的推薦方法，其特征在于，所述計(jì)算被推薦用戶和推薦用戶的相 似度具體包括，多維云模型的逆向云發(fā)生器根據(jù)被推薦用戶和推薦用戶各自的屬性向量生 成對(duì)應(yīng)的云，通過(guò)正向云發(fā)生器生成各自的云滴，根據(jù)兩組云滴的距離獲得被推薦用戶和 推薦用戶的相似度。4. 根據(jù)權(quán)利要求2所述的推薦方法，其特征在于，提取被推薦用戶和推薦用戶的評(píng)分，計(jì)算用戶屬性期望向量Ex:屬性熵值向量En，計(jì)算評(píng)分云超熵向量， η表示所有推薦用戶評(píng)分的個(gè)數(shù)，獲得用戶評(píng)分向量(Ex，En，He)。5. 根據(jù)權(quán)利要求2所述的推薦方法，其特征在于，將被推薦用戶的評(píng)分云和其關(guān)注的所 有推薦用戶的評(píng)分云綜合生成一朵父云，所述生成父云具體包括，根據(jù)待合并用戶的評(píng)分 云圖的數(shù)學(xué)期望曲線C't(x)，根據(jù)公式：算待合并用戶的截?cái)囔?，根?jù) 用戶屬性期望向量及截?cái)囔馗鶕?jù)公式：獲得父云的期望Ex'，根據(jù)評(píng)分云超熵向量He調(diào)用公式： 計(jì)算父云的超熵He'，其中η表示所有推薦用戶評(píng)分的個(gè)數(shù)。6. 根據(jù)權(quán)利要求5所述的推薦方法，其特征在于， 用戶和關(guān)注的推薦用戶在評(píng)分云下第i(i = l，2,3, . . .，η)個(gè)評(píng)分的歸屬度，其中，為在 父云下生成的新評(píng)分。7.根據(jù)權(quán)利要求4所述的推薦方法，其特征在于，提取被推薦用戶和所關(guān)注的推薦用戶 的評(píng)分向量江1也此），通過(guò)多維正向云發(fā)生器各自生成111、112個(gè)云滴，按到零點(diǎn)的距離從 小到大排列，若nl 2 n2，則有個(gè)組合的排列，反之有個(gè)組合的排列，計(jì)算每個(gè)組合情 況下云滴集之間的距離，如第j個(gè)組合情況下云滴距離的平方和為Distance(j)，根據(jù)公式計(jì)算被推薦用戶和所關(guān)注的推薦用戶的相似度。
【專(zhuān)利摘要】本發(fā)明公開(kāi)一種面向社交網(wǎng)絡(luò)基于云模型的topN推薦方法，屬于數(shù)據(jù)挖掘和信息檢索領(lǐng)域。利用社交網(wǎng)絡(luò)海量數(shù)據(jù)集收集被推薦用戶信息，評(píng)分物品信息，推薦用戶信息；從被推薦用戶信息和推薦用戶信息中提取用戶屬性、獲得用戶評(píng)分，由多維云逆向云發(fā)生器生成多維云；通過(guò)多維云相似度計(jì)算用戶屬性云相似度；由推薦用戶和被推薦用戶的評(píng)分生成評(píng)分云，合并所有評(píng)分云生成父云，在父云中生成新的評(píng)分；綜合相似度和評(píng)分生成被推薦用戶對(duì)新物品的興趣度，取興趣度高的前N個(gè)物品生成topN推薦集。該方法解決了屬性單一或多屬性權(quán)值設(shè)置不確定給推薦系統(tǒng)帶來(lái)的阻礙，個(gè)性化推薦針對(duì)不同用戶產(chǎn)生不同的推薦集，并將推薦相關(guān)信息發(fā)送至用戶，節(jié)省了網(wǎng)絡(luò)資源。
【IPC分類(lèi)】G06Q30/02, G06F17/30, G06Q50/00
【公開(kāi)號(hào)】CN105678590
【申請(qǐng)?zhí)枴緾N201610083749
【發(fā)明人】肖云鵬, 康自恒, 劉宴兵, 楊光, 李娜, 劉瀚松
【申請(qǐng)人】重慶郵電大學(xué)
【公開(kāi)日】2016年6月15日
【申請(qǐng)日】2016年2月7日