一种融合用户信任关系和评论信息的个性化推荐方法与流程

技术特征：

1.一种融合用户信任关系和评论信息的个性化推荐方法，其特征在于，所述方法包括以下步骤：

S1：基于用户项目评分数据，计算用户间的相似度，构建用户偏好关系网络；

S2：基于用户对其他用户的评分信息的有用性评价行为，构建用户隐式信任关系网络；

S3：基于用户之间的信任关系数据，构建信任关系矩阵，计算显式信任网络；

S4：融合所述偏好关系网络和显式信任网络以及隐式信任关系网络，构建用户偏好信任关系网络；

S5：基于矩阵分解模型，利用所述用户偏好信任关系网络，计算代表用户兴趣爱好的用户特征矩阵和代表项目属性的项目属性矩阵；

S6：根据用户特征矩阵和项目属性矩阵获得预测评分矩阵。

2.根据权利要求1所述的个性化推荐方法，其特征在于，在用户项目评分矩阵的基础上，融合用户信任关系和隐式的用户有用性评论信息的矩阵分解方法；其中，用户信任关系显式表明用户之间的信任程度；用户有用性评论信息表明用户之间的信任程度。

3.根据权利要求2所述的个性化推荐方法，其特征在于，所述有用性评价行为包括以下两种：

Type-I Helpfulness：用户u_i针对其他用户对项目I_j的评分r_k具有有用性评价H_ik，而且用户u_i对项目I_j也有评分；

Type-II Helpfulness：用户u_i仅针对其他用户对项目I_j的评分r_k具有有用性行为H_ik，然而用户u_i对项目I_j没有评分。

4.根据权利要求3所述的个性化推荐方法，其特征在于，所述信任关系指用户对其他用户的评分行为认可的关系并用户之间的信任强度S_ij以进行衡量：

其中，

将用户项目评分矩阵和用户之间信任关系联合起来得到如下式(6)中所示的目标函数：

$\begin{array}{c}Loss\left(U,V,P\right)={\mathrm{min\Σ}}_{R_{ij}\≠0}{\left(R_{ij}-u_i^T*v_j\right)}^2\\ +{\mathrm{\λ\Σ}}_{T_{ik}\≠0}{\left(S_{ik}-{u_i}^T{\mathrm{Pu}}_k\right)}^2+\mathrm{\λ}\mathrm{\Ω}\left(\mathrm{\θ}\right)\end{array}---\left(6\right)$

其中，

S_ij表示用户i和用户j的信任关联强度，用户i的特征向量u_i和用户k的特征向量u_k通过来关联在一起的，其中矩阵用户之间信任矩阵降维后的矩阵，矩阵S中的元素S_ik值越大则表明用户u_i和用户u_k的信任关联性越强，S_ik的值越小表明用户u_i和用户u_k的信任关联性越弱，所述Ω(θ)是正则项，用于防止过拟合；其中表示用户之间的信任关系矩阵，其中T_ij＝1代表用户u_i和用户u_j之间有信任关系，T_ij＝0代表用户与用户之间未知关系。

5.根据权利要求4所述的个性化推荐方法，其特征在于，

获得的用户信任关系、有用性评价信息、借助如下公式训练学习用户的特征向量和项目的特征向量：综合所述目标函数和用户有用性评价信息，构建如下式所示的目标函数：

$\begin{array}{c}Loss\left(U,V,P\right)=\min \underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{I}_{ij}{\left(R_{ij}-{u_i}^T{v}_j\right)}^2+{\mathrm{\μ\Σ}}_{T_{ik}\≠0}{\left(S_{ik}-{u_i}^T{\mathrm{Pu}}_k\right)}^2\\ +\mathrm{\α}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{F}_{ij}{\left(\frac{1}{\left|P_{ij}\right|}\underset{k\∈P_{ij}}{\mathrm{\Σ}}\mathrm{\ψ}{\left(H_{ik},R_{sj}\right)}^{T}w-R_{ij}\right)}^2\\ +\mathrm{\β}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{G}_{ij}{\left(\frac{1}{\left|Q_{ij}\right|}\underset{k\∈Q_{ij}}{\mathrm{\Σ}}\mathrm{\ψ}{\left(H_{ik},R_{sj}\right)}^{T}w-{u_i}^T{v}_j\right)}^2\\ +\mathrm{\γ}\left(\left|\right|U|{|}_F^2+|\left|V\right|{|}_F^2+\left|\right|P|{|}_F^2\right)+\mathrm{\λ}\left(\left|\right|w|{|}_2^2\right)\end{array}$

第一项来源于矩阵分解模型，第二项代表的是用户的社会信任关系，第二、三项代表的是将用户的评分信息和对评分的评价双重角色，第四项代表的是正则项，防止过拟合，为了最小化，采用了Alternating Least Squares(ALS)算法迭代计算求得最优模型参数。

6.根据权利要求5所述的个性化推荐方法，其特征在于，当迭代运算终止后，得到用户特征向量U和项目特征向量V，利用下式计算用户U对项目I的预测评分：P＝U*V。

7.根据权利要求6所述的个性化推荐方法，其特征在于，根据用户对未知评分项目的预测评分，选择预测评分前top-N的项目作为推荐项目推荐给用户。