一种面向社交网络基于云模型的推荐系统评分预测方法与流程

技术特征：

1.一种面向社交网络基于云模型的推荐系统评分预测方法，其特征在于，包括以下步骤：

步骤1、获取评论或社交网络平台上的用户历史评分记录及用户社交网络关系；

步骤2、根据用户的历史评分记录构建一维评分云，采用综合云技术融合所有一维评分云形成父云，通过父云生成新的用户评分；

步骤3、并根据新的用户评分对用户进行聚类，发现用户的相似群体，并根据用户的新评分对用户进行聚类，通过聚类结果来发现用户的相似群体，即用户所在类内的其他用户为该用户的相似群体；

步骤4、根据被预测用户的社交关系，对被预测用户的相似群体构建两朵高维评分云，分别计算用户历史评分在其中的隶属度，以此表示被预测用户在其两类相似群体中的位置，并基于高斯变换构建综合预测机制。

2.根据权利要求1所述的面向社交网络基于云模型的推荐系统评分预测方法，其特征在于，所述步骤1获取评论或/和社交网络平台上的用户历史评分记录及用户社交网络关系直接从现有的基于Web的研究型推荐系统下载或者利用成熟的社交平台的公共API获取。

3.根据权利要求1或2所述面向社交网络基于云模型的推荐系统评分预测方法，其特征在于，所述步骤2构建一维评分云，采用综合云技术融合所有评分云形成父云，通过父云生成新的用户评分包括以下步骤：首先，根据用户到项目的评分矩阵，对每个用户的评分使用逆向云发生器计算出评分向量(Ex,En,He),并对每个用户构建一维的云图；其次，采用综合云技术融合所有用户的评分向量，得到父云的评分向量，并构建父云的云图得到评分标准；最后，通过正向云发生器得到用户评分在自身云图中的隶属度，并得到在此隶属度下父云产生的云滴，以此云滴确定新的评分。

4.根据权利要求3所述面向社交网络基于云模型的推荐系统评分预测方法，其特征在于，所述步骤3采用K-means聚类方法进行聚类，以发现预测用户的真实相似群体。

5.根据权利要求3所述面向社交网络基于云模型的推荐系统评分预测方法，其特征在于，所述步骤4具体包括以下步骤：根据被预测用户关注集合,把其相似群体分为好友和非好友两部分，通过逆向云发生器分别对两部分群体的历史评分构建高维云，分别计算用户在两朵高维云中的隶属度；同样通过逆向云发生器分别对两部分群体对被推荐项目的评分构建两朵一维云，分别计算高维云中的隶属度在一维云中的云滴，并对两部分群体的一维云滴进行高斯变换取其期望作为最后的预测云滴，由此云滴确定预测评分。

6.根据权利要求3所述面向社交网络基于云模型的推荐系统评分预测方法，其特征在于，根据用户到项目的评分矩阵，对每个用户的评分使用逆向云发生器计算出评分向量(Ex,En,He)包括；提取单个用户的历史评分，逆向云发生器生成评分云，根据公式计算评分云的期望向量Ex，其中x_i表示单个用户第i个历史评分值，根据公式计算评分云的熵向量，根据公式计算评分云的超熵向量，其中n表示单个用户的所有评分数量。

7.根据权利要求3所述面向社交网络基于云模型的推荐系统评分预测方法，其特征在于，所述采用综合云技术融合所有用户的评分向量，得到父云的评分向量，并构建父云的云图得到评分标准包括：所有用户中，取期望值最近的两个用户的评分云，令其为C₁(Ex₁,En₁,He₁)和C₂(Ex₂,En₂,He₂)，根据公式获取父云的期望向量，根据公式En＝En'₁+En'₂获取父云的熵向量，根据公式获取父云的超熵向量，其中和分别为C₁和C₂期望曲线的取大值，融合形成这两个用户的父云向量为(Ex,En,He)，在剩余用户中找到和此父云期望值最近的用户的评分云，再次融合形成新的父云，以此类推，最终融合所有用户的评分云，形成一朵父云。

8.根据权利要求5所述面向社交网络基于云模型的推荐系统评分预测方法，其特征在于，所述对两部分群体的一维云滴进行高斯变换取其期望作为最后的预测云滴包括:在用户相似群体中，提取好友部分对被预测用户历史评分项目集合的评分，根据逆向云发生器生成高维评分云向量(Ex₁,En₁,He₁；Ex₂,En₂,He₂；…；Ex_n,En_n,He_n)，其中(Ex_n,En_n,He_n)表示好友部分对第n个项目的评分生成的云，根据公式计算被预测用户在高维云中的隶属度，其中，μ表示隶属度，x_i表示用户第i个评分，En'_i表示以En_i为期望，He²_i为方差的一个正太随机数；提取好友部分对被预测项目的评分构成评分云(Ex,En,He)，根据公式计算的得到两个预测云滴，同样的方法获取非好友部分的预测云滴。

9.根据权利要求8所述面向社交网络基于云模型的推荐系统评分预测方法，其特征在于，在获取好友与非好友部分的四个预测云滴时，找出距离最大的两个(x₁,μ₁)和(x₂,μ₂)，根据公式获取高斯变换后的期望，并作为最后的预测结果。