一種基于信任機(jī)制的協(xié)同過(guò)濾推薦方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于互聯(lián)網(wǎng)技術(shù)領(lǐng)域，具體涉及一種基于信任機(jī)制的協(xié)同過(guò)濾推薦方法。
【背景技術(shù)】
[0002] 互聯(lián)網(wǎng)的蓬勃發(fā)展產(chǎn)生了豐富的信息資源，形成互聯(lián)網(wǎng)信息大數(shù)據(jù)。對(duì)于面向大 眾的公共信息共享類(lèi)應(yīng)用，若充分整合現(xiàn)有互聯(lián)網(wǎng)和無(wú)線(xiàn)、移動(dòng)通信技術(shù)的優(yōu)勢(shì)，將熱門(mén)共 享信息進(jìn)行匯聚和廣播分發(fā)，并借助泛在化存儲(chǔ)和適當(dāng)?shù)男畔⑦^(guò)濾技術(shù)，可以有效提升信 息共享效率和智能化處理水平。其挑戰(zhàn)在于，海量推送的信息往往超出人們的正常接受和 處理能力，從而引發(fā)"信息過(guò)載"等問(wèn)題。個(gè)性化推薦技術(shù)是解決信息過(guò)載的有效方法，它可 以幫助用戶(hù)在海量信息中快速發(fā)現(xiàn)符合個(gè)人興趣特征的信息和服務(wù)。目前，個(gè)性化推薦技 術(shù)已經(jīng)在電子商務(wù)、電影推薦及廣告投放等領(lǐng)域得到實(shí)際應(yīng)用?？偟膩?lái)說(shuō)，個(gè)性化推薦技術(shù) 主要可分為基于內(nèi)容的推薦方法與協(xié)同過(guò)濾推薦方法兩大類(lèi)，其中協(xié)同過(guò)濾推薦方法發(fā)展 較早，目前已成為個(gè)性化推薦中的主流技術(shù)。其核心思想是利用與當(dāng)前用戶(hù)興趣相似的鄰 居用戶(hù)的歷史信息來(lái)挖掘用戶(hù)的潛在興趣，以此幫助用戶(hù)對(duì)未瀏覽過(guò)的項(xiàng)目進(jìn)行評(píng)估和過(guò) 濾。
[0003] 然而，傳統(tǒng)的協(xié)同過(guò)濾推薦方法還面臨諸多挑戰(zhàn)，例如:現(xiàn)實(shí)系統(tǒng)中往往擁有大量 用戶(hù)，難免出現(xiàn)一些虛假用戶(hù)信息和虛假評(píng)分信息，因此必須考慮用戶(hù)是否值得信任，以及 用戶(hù)的評(píng)分信息是否可靠和真實(shí);再者，在大量應(yīng)用場(chǎng)景中，由于用戶(hù)精力有限，只能對(duì)海 量信息中的一少部分進(jìn)行操作，因此用戶(hù)評(píng)分矩陣的數(shù)據(jù)稀疏問(wèn)題普遍存在;最后，由于新 用戶(hù)剛加入時(shí)評(píng)分?jǐn)?shù)量較少，傳統(tǒng)協(xié)同過(guò)濾推薦方法難以為其找到真正的相似用戶(hù)，因而 無(wú)法對(duì)新用戶(hù)進(jìn)行精準(zhǔn)個(gè)性化推薦，由此產(chǎn)生用戶(hù)冷啟動(dòng)問(wèn)題。進(jìn)一步分析發(fā)現(xiàn)，傳統(tǒng)協(xié)同 過(guò)濾推薦方法僅通過(guò)用戶(hù)（項(xiàng)目）間的相似性，來(lái)模擬現(xiàn)實(shí)的推薦場(chǎng)景并進(jìn)行興趣挖掘和項(xiàng) 目推薦，但它忽略了現(xiàn)實(shí)世界中用戶(hù)之間的信任關(guān)系，而這種信任關(guān)系恰恰是影響推薦效 果的重要因素。

【發(fā)明內(nèi)容】

[0004] 針對(duì)現(xiàn)有技術(shù)中存在的問(wèn)題與不足，本發(fā)明綜合考慮用戶(hù)間信任關(guān)系對(duì)推薦結(jié)果 的影響，提供一種基于信任機(jī)制的協(xié)同過(guò)濾推薦方法。該方法既保留傳統(tǒng)協(xié)同過(guò)濾推薦方 法的優(yōu)點(diǎn)，又充分考慮傳統(tǒng)方法中被忽略的用戶(hù)間信任關(guān)系，可以改善傳統(tǒng)協(xié)同過(guò)濾推薦 方法所存在的問(wèn)題，能夠有效應(yīng)對(duì)傳統(tǒng)協(xié)同過(guò)濾推薦方法所存在的忽略信任關(guān)系、數(shù)據(jù)稀 疏性和用戶(hù)冷啟動(dòng)等問(wèn)題的局限。推薦結(jié)果充分體現(xiàn)社會(huì)信任關(guān)系對(duì)相似用戶(hù)興趣的影 響，可有效提高推薦結(jié)果的精度和可靠性。
[0005] 為實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案:一種基于信任機(jī)制的協(xié)同過(guò)濾推薦 方法，該方法注重協(xié)同過(guò)濾推薦方法的社會(huì)化本質(zhì)，將信任概念引入到傳統(tǒng)協(xié)同過(guò)濾推薦 方法中，以體現(xiàn)社會(huì)信任關(guān)系對(duì)相似用戶(hù)興趣的影響，基此得到更加準(zhǔn)確、可靠和合理的推 薦結(jié)果，使傳統(tǒng)協(xié)同過(guò)濾方法所存在的問(wèn)題得到改善。一方面借助信任關(guān)系來(lái)豐富系統(tǒng)中 原本較為稀疏的數(shù)據(jù)，既減少不可靠用戶(hù)的虛假推薦，又在一定程度上緩解數(shù)據(jù)稀疏性問(wèn) 題。另一方面，對(duì)于系統(tǒng)中的新用戶(hù)，選擇系統(tǒng)中可信賴(lài)的權(quán)威用戶(hù)作為其鄰居來(lái)進(jìn)行推 薦，以此應(yīng)對(duì)用戶(hù)冷啟動(dòng)問(wèn)題。
[0006] 該方法主要根據(jù)當(dāng)前用戶(hù)是否為系統(tǒng)的新用戶(hù)（即冷啟動(dòng)用戶(hù)），而分別實(shí)施基于 信任機(jī)制的兩種具體推薦計(jì)算過(guò)程，即針對(duì)非冷啟動(dòng)用戶(hù)的基于復(fù)合推薦因子的協(xié)同過(guò)濾 推薦計(jì)算過(guò)程，和針對(duì)冷啟動(dòng)用戶(hù)的基于權(quán)威信任度的新用戶(hù)推薦計(jì)算過(guò)程，獲得待推薦 項(xiàng)目的預(yù)測(cè)評(píng)分。最后根據(jù)預(yù)測(cè)評(píng)分實(shí)施具體的推薦過(guò)程。該方法【具體實(shí)施方式】如下。
[0007] 具體方案主要根據(jù)當(dāng)前用戶(hù)是否為新用戶(hù)（即冷啟動(dòng)用戶(hù)），而分兩種情況進(jìn)行推 薦計(jì)算，獲得待推薦項(xiàng)目的預(yù)測(cè)評(píng)分。若當(dāng)前用戶(hù)不是新用戶(hù)，則計(jì)算預(yù)測(cè)評(píng)分的過(guò)程主要 包括5個(gè)步驟:步驟1，一階信任度的計(jì)算;步驟2,二階信任度的計(jì)算;步驟3,綜合信任度的 計(jì)算;步驟4,復(fù)合推薦因子的計(jì)算;步驟5,基于復(fù)合推薦因子的預(yù)測(cè)評(píng)分計(jì)算。若當(dāng)前用戶(hù) 是剛加入系統(tǒng)的新用戶(hù)，則計(jì)算預(yù)測(cè)評(píng)分的過(guò)程主要包括3個(gè)步驟:步驟1，權(quán)威信任度的計(jì) 算;步驟2，K-最可信權(quán)威鄰居集的選取;步驟3,基于權(quán)威信任度的預(yù)測(cè)評(píng)分計(jì)算。最后，根 據(jù)預(yù)測(cè)評(píng)分進(jìn)行具體推薦。
[0008] 本發(fā)明與現(xiàn)有技術(shù)相比，具有以下優(yōu)點(diǎn)：
[0009] 1.可用于智慧城市、社交網(wǎng)絡(luò)、電子商務(wù)等應(yīng)用場(chǎng)景，可使推薦結(jié)果體現(xiàn)社會(huì)信任 關(guān)系對(duì)相似用戶(hù)興趣的影響，并緩解傳統(tǒng)協(xié)同過(guò)濾推薦方法中的數(shù)據(jù)可靠性、冷啟動(dòng)以及 數(shù)據(jù)稀疏性等問(wèn)題。
[0010] 2.傳統(tǒng)協(xié)同過(guò)濾推薦方法僅通過(guò)用戶(hù)（項(xiàng)目）間的相似性，而忽略了現(xiàn)實(shí)世界中用 戶(hù)之間的信任關(guān)系。本發(fā)明在傳統(tǒng)協(xié)同過(guò)濾方法中引入信任機(jī)制，更能夠體現(xiàn)社會(huì)信任關(guān) 系對(duì)相似用戶(hù)興趣的實(shí)際影響。
[0011] 3.借助信任機(jī)制，可有效減少和抑制不可靠用戶(hù)的虛假推薦。同時(shí)，通過(guò)結(jié)合用戶(hù) 間社會(huì)信任度，可以彌補(bǔ)單純依靠稀疏矩陣計(jì)算得到的用戶(hù)相似度的不足，使系統(tǒng)中的數(shù) 據(jù)得到豐富，有利于解決數(shù)據(jù)稀疏性問(wèn)題。
[0012] 4.當(dāng)有新的用戶(hù)加入到系統(tǒng)中時(shí)，可通過(guò)為該用戶(hù)選擇系統(tǒng)中可信賴(lài)的權(quán)威用戶(hù) (即權(quán)威信任度值較高的用戶(hù))作為其鄰居用戶(hù)，以此緩解冷啟動(dòng)問(wèn)題。
【附圖說(shuō)明】
[0013]圖1為本發(fā)明實(shí)施例1的具體推薦流程。
【具體實(shí)施方式】
[0014] 下面結(jié)合具體實(shí)施例，進(jìn)一步闡明本發(fā)明，應(yīng)理解這些實(shí)施例僅用于說(shuō)明本發(fā)明 而不用于限制本發(fā)明的范圍，在閱讀了本發(fā)明之后，本領(lǐng)域技術(shù)人員對(duì)本發(fā)明的各種等價(jià) 形式的修改均落于本申請(qǐng)所附權(quán)利要求所限定的范圍。
[0015] -種基于信任機(jī)制的協(xié)同過(guò)濾推薦方法，如圖1所示，該方法主要根據(jù)當(dāng)前用戶(hù)是 否為系統(tǒng)的新用戶(hù)（即冷啟動(dòng)用戶(hù)），而分別實(shí)施基于信任機(jī)制的兩種具體推薦計(jì)算過(guò)程， 即針對(duì)非冷啟動(dòng)用戶(hù)的基于復(fù)合推薦因子的協(xié)同過(guò)濾推薦計(jì)算過(guò)程，和針對(duì)冷啟動(dòng)用戶(hù)的 基于權(quán)威信任度的新用戶(hù)推薦計(jì)算過(guò)程，獲得待推薦項(xiàng)目的預(yù)測(cè)評(píng)分。最后根據(jù)預(yù)測(cè)評(píng)分 實(shí)施具體的推薦過(guò)程。該方法【具體實(shí)施方式】如下。
[0016] (1)假定系統(tǒng)中共有η個(gè)非新用戶(hù)和m個(gè)項(xiàng)目，構(gòu)成非新用戶(hù)集合U={Ul，u 2，-_，Un} 和項(xiàng)目集合1 = Uti，it2，···，itm}，令I(lǐng)(Ui)表示用戶(hù)Ui進(jìn)行過(guò)評(píng)分的項(xiàng)目集合，1 < i < η。假 定待推薦項(xiàng)目集合為Ira。，滿(mǎn)足U d
[0017]具體實(shí)施例中假定共有9個(gè)非新用戶(hù)和8個(gè)項(xiàng)目，并且第10個(gè)用戶(hù)mo為系統(tǒng)的新用 戶(hù)。用戶(hù)-項(xiàng)目評(píng)分矩陣如表1所示：
[0018] 表1實(shí)施例的用戶(hù)-項(xiàng)目評(píng)分矩陣
[0019]
[0020] 當(dāng)前用戶(hù)為叫，對(duì)于待推薦項(xiàng)目集合Irec，首先判斷用戶(hù)是否為系統(tǒng)的新用戶(hù)（BP 冷啟動(dòng)用戶(hù)），如果不是（即Kj^n)，則執(zhí)行基于復(fù)合推薦因子的協(xié)同過(guò)濾推薦計(jì)算過(guò)程 (2)，計(jì)算Ire3。中所有項(xiàng)目的預(yù)測(cè)評(píng)分;如果是（即j>n)，則執(zhí)行基于權(quán)威信任度的新用戶(hù)推 薦計(jì)算過(guò)程(3)，計(jì)算I re3。中所有項(xiàng)目的預(yù)測(cè)評(píng)分。接著根據(jù)預(yù)測(cè)評(píng)分實(shí)施具體的推薦過(guò)程 ⑷。
[0021] (2)基于復(fù)合推薦因子的協(xié)同過(guò)濾推薦計(jì)算過(guò)程。該過(guò)程具體分為如下5個(gè)步驟： [0022]步驟1:對(duì)于當(dāng)前用戶(hù)uj，先計(jì)算 Uj對(duì)系統(tǒng)用戶(hù)集合U中所有其他用戶(hù)m(l < i <n，l < j < η，i矣j)的一階信任度FT(Uj，m)。一階信任度是由用戶(hù)間的直接交互產(chǎn)生，它是一種 非對(duì)稱(chēng)的主觀信任程度。
[0023]令RN(m，Uj)為用戶(hù)m向用戶(hù)推薦的總次數(shù);a(Uj，Ul)表示在向做過(guò)推薦的用 戶(hù)中，m的推薦數(shù)量比，即m的推薦數(shù)量與推薦次數(shù)最多用戶(hù)的推薦數(shù)量的比，具體計(jì)算方 法見(jiàn)公式1 ;P(Ui，Uj，ity)表示m向Uj在某條項(xiàng)目itx上的推