的数量与信任关系 和非信任关系数量之和的比值，具体为：
[0038]
[0039] 其中h(u)为用户U的影响力，m为所有用户的数量。
[0040] 3、推荐方法的形式化表示
[0041]步骤①：采用-(心表示四元组 < 用户，用户，类别，相似性〉，具体为用户Ui 和用户％在类别k下的偏好相似程度；
[0042] 步骤②：如图1所示，由信任网络得到非信任用户偏好信息之间的差异，具体如 下：
[0043]
[0044] 其中，Ui和u2为两个不同用户，/,,W和/。W分别为两个用户在类别k的偏 U\ 化玄 好程度；巧y为用户ui的非信任列表中用户的集合；K为项目的类别数目；..如;化，表 示用户Ui和用户U2在类别k下的偏好相似程度。
[0045] 步骤③：如何1所示，根据用户项目评分矩阵，通过基于模型的协同过滤方法得到 获取用户偏好信息矩阵的目标函数，具体如下：
[0046]
[0047] 其中矩阵R表示用户项目评分矩阵，R。,康示用户U对项目i的评分；ε为用户项 目评分矩阵中用户有过评分行为的元素的集合；矩阵Ρ为用户偏好信息矩阵；矩阵Q表示 项目隐含因子矩阵；II·Ik是矩阵的弗罗贝尼乌斯范数；λΡ和λe为防止过拟合参数，取 值为0.001。
[0048] 步骤④：如何1所示，通过线性融合的方式结合步骤②所得非信任用户偏好信息 之间的差异丫和步骤③所得目标函数η 得到基于协同过滤并结合多类别非信任关 系的推荐方法的目标函数，具体如下：
[0049]
[0050] 4、推荐方法的建立
[0051] 步骤①：实验获取权重参数λD和类别参数K的最优解，如图2、图3所示； 阳0巧步骤②：通过梯度下降法【具体实施方式】第3部分中步骤④得到的目标函数終，視到 用户偏好信息矩阵Ρ和项目隐含因子矩阵Q，产生最终推荐结果，具体如下：
[0053]
[0054] 本发明可W在传统协同过滤的基础上，有效利用信任网络的非信任关系，通过将 用户间的非信任关系分类别考虑，从而在推荐过程中获得了更好的用户偏好信息，最终取 得了较高的推荐准确度。相比于传统方法中利用非信任关系的不足，本发明可W较有效的 提高推荐系统的推荐准确度，如表1所示，其中，PMF为传统协同过滤推荐方法，RWT为利用 用户间信任关系取得的结果，RWD为使用传统利用非信任关系方法取得的结果，MFDAR为本 发明取得的结果。 阳05引表1对比实验结果
[0056]
[0057]
阳化引 由表中数据可得：
[0059] (1)本发明采用的方法是有效的，相较于传统的协同过滤方法PMF，在平均绝对误 差值（MA巧和均方根误差值（RISE)的指标值上均有下降，尤其在数据集小的情况下，效果 提局更为明显。 W60] 0)本发明采用的方法相较于传统利用非信任关系的协同过滤方法RWD，在平均 绝对误差值（MA巧和均方根误差值（MSE)的指标值上均有下降。
[0061] 实验采用推荐系统的技术领域通用指标平均绝对误差值（MA巧和均方根误差值 (rise),具体定义如下： W62] 绝对误差值（MAE):
[0063]
W64] 均方根误差值（RMS巧： 阳0化]
[0066] 其中Ri,.j表示用户i对项目j的评分，巧..表示用户i对项目j的预测评分，N表 示测试集大小。
[0067] 本发明未详细阐述的部分属于本领域公知技术。W上实施例仅用W说明本发明的 技术方案而非限制在【具体实施方式】的范围内，对本技术领域的普通技术人员来讲，只要各 种在权利要求限定和确定的本发明的精神和范围内，运些变化是显而易见的，一切利用本 发明构想的发明创造均在保护之列。
【主权项】
1. 一种基于协同过滤并结合多类别非信任关系的推荐方法，其特征在于：实现步骤如 下： 步骤（1)选择项目自身类别信息作为推荐方法的类别； 步骤（2)计算用户U在类别k上的偏好程度，偏好程度为用户U产生评分行为中属于 类别k的项目数量与用户u产生评分行为的所有项目数量的比值； 具体如下：用户u产生评分行为中属于类别k的项目数量与用户u产生评分行为的所有项目数量 的比值； 步骤（3)统计整个用户信任网络中指向用户u的信任关系T(u)，指向用户u的非信任 关系D (u)，得到用户u的影响力如下：其中h(u)为用户u的影响力，m为所有用户的数量；用户信任网络指用户对项目评分 的过程中，产生的用户间的信任网络；信任关系指用户对其他用户的评分行为认可的关系； 非信任关系指用户对其他用户的评分行为不认可的关系； 步骤（4)根据用户项目评分矩阵，通过基于模型的协同过滤方法得到用户偏好信息矩 阵的目标函数^ 具体如下：其中RUil表示用户u对项目i的评分；ε为用户项目评分矩阵中用户有过评分行为的 元素的集合；矩阵Ρ为用户偏好信息矩阵，Pu为用户偏好信息矩阵中用户U的偏好信息向 量；矩阵Q表示项目隐含因子矩阵，（^为隐含因子矩阵中项目i的隐因子向量；I I · I I ?是 矩阵的弗罗贝尼乌斯范数；λp和λ Q为防止过拟合参数； 步骤（5)根据步骤（2)的结果，得到非信任用户偏好信息之间的差异，具体如下：其中，1^和1!2为两个不同用户分别为两个用户在类别k的偏好程 度；pUj为用户七的非信任列表中用户的集合；K为项目的类别数目；表示用 户Ul和用户u 2在类别k下的偏好相似程度；步骤（6)通过线性融合的方式结合步骤⑷所得目标函数％f和步骤（5)所得非信 任用户偏好信息之间的差异，ρ，得到基于协同过滤并结合多类别非信任关系的推荐方法 的目标函数，具体如下： 其中λD为权重参数；步骤（7)通过梯度下降法最小化步骤（6)的目标函数乾，得到用户偏好信息矩阵P和 项目隐含因子矩阵Q，产生最终推荐结果，具体如下：
【专利摘要】本发明公开了一种基于协同过滤并结合多类别非信任关系的推荐方法，步骤(1)选择项目自身类别信息作为推荐方法的类别；步骤(2)计算用户在某个类别的偏好程度；步骤(3)计算用户在信任网络中的影响力；步骤(4)通过评分矩阵获得用户偏好信息矩阵和项目隐含因子矩阵；步骤(5)通过信任网络最大化非信任用户偏好信息之间的差异；步骤(6)结合步骤(4)和步骤(5)，形成本发明的推荐方法的形式化表示；步骤(7)通过梯度下降获得用户偏好信息矩阵以及项目隐含因子矩阵的最优解；步骤(8)产生推荐结果。本发明通过有效利用信任网络中用户间的非信任关系并与用户－项目评分数据信息进行融合，从而达到提高推荐精度的目的。
【IPC分类】G06Q50/00
【公开号】CN105279699
【申请号】CN201510650640
【发明人】欧阳元新, 郑曜曜, 荣文戈, 熊璋
【申请人】北京航空航天大学
【公开日】2016年1月27日
【申请日】2015年10月9日