本发明涉及计算机技术领域,特别是涉及一种基于用户信任度的个性化推荐方法。
背景技术:
随着5g网络的推广应用,网络中的数据量呈现爆炸式增长,造成网络数据信息的泛滥,出现了信息过载的问题,如何从海量网络数据中找到自己需要的有价值的数据越来越困难,在此背景下,推荐技术应运而生。推荐技术可以在海量数据中根据用户的兴趣爱好快速帮助用户获取其感兴趣的数据资源,但是传统的推荐技术,推荐错误率高,准确性低,存在冷启动和数据稀疏性的难题。
目前的个性化推荐方法主流做法主要依据用户或项目相似度进行推荐,虽然后来在此基础上引入了用户之间的信任关系,一定程度上弥补了传统推荐技术的缺陷和不足,但是仅考虑了用户之间的直接信任关系,没有考虑用户之间的间接信任关系,或者没有考虑距离稍远且有价值的信任信息,因此如何充分利用用户之间的间接信任关系,充分把用户的信任关系信息融入到用户相似度中,从而提高个性化推荐的可靠性、准确性,降低推荐的错误率,更是迫切需要研究的热点之一。
技术实现要素:
本发明的目的在于提供一种基于用户信任度的个性化推荐方法。
本发明的目的是通过如下途径实现的:一种基于用户信任度的个性化推荐方法,假设已有用户-项目评分矩阵和用户信任评分矩阵,包括如下步骤:
步骤1:根据用户信任评分矩阵,采用公式(1)计算用户之间的直接信任度,得到用户直接信任度矩阵,
其中,
步骤2:根据步骤1中得到的用户直接信任度矩阵,根据信任的传递性质,采用公式(2)计算用户之间的间接信任度,得到用户间接信任度矩阵,
其中,
步骤3:所述步骤3中:根据步骤1和步骤2得到的用户直接信任度矩阵和用户间接信任度矩阵,采用公式(3)计算用户之间的全局信任度,得到用户全局信任度矩阵,
其中,
步骤4:根据用户-项目评分矩阵,采用公式(4)计算出用户之间的相似度,得到用户相似度矩阵,
其中,
步骤5:根据步骤3和步骤4得到的用户全局信任度矩阵和用户相似度矩阵,采用公式(5)进行计算出用户之间新的相似度,得到基于的用户相似度矩阵,
其中,
步骤6:根据步骤5得到的基于的用户相似度矩阵,采用公式(6)计算出目标用户对项目的预测评分值,并进行降序排列,把预测评分值最高的n个项目推荐给目标用户,生成推荐列表,
其中,
作为本专利的优选,所述步骤1中:
作为本专利的优选,所述步骤2中:
作为本专利的优选,所述步骤3中:
本发明基于用户信任度的个性化推荐方法,与现有技术相比,具有如下优势:本方法根据用户信任评分矩阵,计算用户之间的直接信任度和间接信任度;然后把用户直接信任度矩阵和间接信任度矩阵进行融合,计算用户之间的全局信任度;根据用户-项目评分矩阵,计算用户之间的相似度;然后把用户全局信任度矩阵和用户相似度矩阵进行融合,预测目标用户对项目的评分,并进行降序排列,把预测评分值最高的n个项目推荐给目标用户,生成推荐列表。经实验验证,该方法在准确率上平均有10%的提升,具有较好的实用价值。
附图说明
下面结合附图对本发明作进一步详细说明:
图1为本发明流程示意图示意图。
具体实施方式
如图1所示,一种基于用户信任度的个性化推荐方法,假设已有用户-项目评分矩阵和用户信任评分矩阵,包括如下步骤:
步骤1:根据用户信任评分矩阵,采用公式(1)计算用户之间的直接信任度,得到用户直接信任度矩阵,
其中,
步骤2:根据步骤1中得到的用户直接信任度矩阵,根据信任的传递性质,采用公式(2)计算用户之间的间接信任度,得到用户间接信任度矩阵,
其中,
步骤3:所述步骤3中:根据步骤1和步骤2得到的用户直接信任度矩阵和用户间接信任度矩阵,采用公式(3)计算用户之间的全局信任度,得到用户全局信任度矩阵,
其中,
步骤4:根据用户-项目评分矩阵,采用公式(4)计算出用户之间的相似度,得到用户相似度矩阵,
其中,
步骤5:根据步骤3和步骤4得到的用户全局信任度矩阵和用户相似度矩阵,采用公式(5)进行计算出用户之间新的相似度,得到基于的用户相似度矩阵,
其中,
步骤6:根据步骤5得到的基于的用户相似度矩阵,采用公式(6)计算出目标用户对项目的预测评分值,并进行降序排列,把预测评分值最高的n个项目推荐给目标用户,生成推荐列表,
其中,
作为本专利的优选,所述步骤1中:
作为本专利的优选,所述步骤2中:
作为本专利的优选,所述步骤3中: