技术特征：
1.一种基于双向稀疏信任的推荐方法，其特征是，第一部分是使用卡兹指标模拟信任的传播和聚合从而得到传递后的信任值：首先，用邻接矩阵的形式表示信任关系；其次，对于矩阵中未知的信任关系采用基于全局节点作为评估指标分别从信任传播和信任聚合两个角度预估信任在社交网络中的传递值，最后将传递后的信任值进行归一化处理，未知的信任关系被划分为明确的信任关系和不信任关系；第二部分双向稀疏信任推荐模型：将初始信任关系和传递后的信任关系均融入奇异值分解svd++模型中，为了完善且合理地使用信任关系，对信任方向进行分解，分别设计受信者模型和施信者模型，最后将受信者模型和施信者模型统一起来，形成基于双向稀疏信任的推荐模型。2.如权利要求1所述的基于双向稀疏信任的推荐方法，其特征是，详细步骤如下：第一部分中：(1)传递信任推导在信任网络中使用卡兹系数来度量不同节点存在相同受信者的程度以及与受信者之间的信任关系的强弱程度，在信任网络中，两个节点之间存在着潜在的全局的信任关系，这种信任关系是通过信任值在不同路径中传递得来的，卡兹系数的思想是任何非零长度的路径都可以使信任网络中的任意两个节点产生潜在的信任关系，但是信任关系的强弱程度随着传播路径长度的增长而减少，给出如(1)所示的卡兹系数的数学定义：σ代表了卡兹指标；α代表了衰减因子；a代表邻接矩阵，指数代表不同长度的路径：如上所述，基于内容的推荐系统是依据相似性大小进行推荐，相似性是共性，指的是用户之间共同的爱好，卡兹系数应用在基于内容的推荐系统中是种基于全局节点相似性的度量方法，将卡兹系数用于信任网络中的信任传递计算，具体计算公式如(2)所示，l表示信任在社交网络中传播的路径长度，信任所能通过的最大的长度路径l
max
的传递值计算公示如(3)所示。将l的起始值改为1，是因为当l＝0时，(αt)
l
是一个单位矩阵，代表着用户与自身是完全相似的，t表示信任矩阵，在信任网络的设置中，邻接矩阵t是不对称的，它表示一个无权有向信任网络，其中每个节点对应一个用户，每条边代表一个用户对另一个用户发出的信任声明，由于信任矩阵t是一个矩阵表示的信任网络且矩阵中元素全为0和1，所以邻接矩阵的n次方中的元素存在着特殊的含义，t
n
中的元素t
n
[u][v]的值表示着由用户u到用户v的长度为n的路径数目；σ1＝αtσ2＝α2t2+αtσ3＝α3t3+α2t2+αt
(2)信任传播和聚合通过信任矩阵相乘我们可以模拟信任传递中信任传播和信任聚合两方面，信任传播指的是起始点对其他用户的信任值沿着不同长度、方向的路径进行传播，而信任聚合是目标点收到了起始点沿着不同路径传播的信任值并以某种特殊的方式组合起来，其中，分别用乘法和加法模拟了信任的传播和聚合，信任矩阵的第零行与信任矩阵的第二列逐位相乘，表示节点0通过各个方向经过长度为2的路径往节点2的方向进行传播，不同路径的结果相加得到最终信任聚合的结果，具体过程如(4)所示：信任矩阵中对角线上元素全为0，这样保证同一个节点不会同时是起始点和目标点，在信任传递过程中对每一个经过的节点设为已访问节点，以避免在信任传递的过程中信任网络里产生闭环，对l逐渐增大的过程中将每一次计算出来的信任传递值进行主对角线归零操作，并且进行递归操作代入后续计算过程，将初始节点标记为已经访问过的节点，并且在递归开始之前设置矩阵对角线元素的值为0，以防止信任在传播过程中经过重复的节点，并且将最大传播路径代入算法中，当传播距离超过最大传播路径时，算法将结束并返回结果；(3)信任关系划分但是信任传递在信任网络中具有衰减性，通过定义一个衰减因子α控制信任在网络中的衰减速度，将衰减因子的计算公式定义为矩阵最大特征值(λ
t
)的倒数，如(5)所示：将信任所能通过的最大传递路径设置为3，衰减因子的使用是为了模拟信任值在网络中传递的衰减特性，将衰减因子设置为邻接矩阵最大特征值的倒数；采用归一化的方法将传递的信任值映射到0到1的区间中里，具体是对矩阵的每一行向量分别进行l2归一化处理，行向量x(x1,x2,x3,
…
,x
n
)的l2范数被定义为norm(x)＝(x
12
+x
22
+x
32
+
…
+x
n2
)，为了建立一个从x到x
l2
的映射，所采用的具体计算公式如(6)所示：通过归一化处理后原本接近零的传递信任值均被映射到(0，1)的区间内，具体的计算公式如(7)所示：
μ代表信任阈值，对于归一化后小于阈值的信任传递值视为不信任关系，对于不小于阈值的则视为信任关系。3.如权利要求2所述的基于双向稀疏信任的推荐方法，其特征是，第二部分双向稀疏信任推荐模型在svd++的基础上分别建立两个模型——trusteesvd模型和trustorsvd模型，并提出基于双向稀疏信任的推荐模型，即为tt
‑
svd++模型；(1)trusteesvd模型对受信者模型trusteesvd的损失函数采用梯度下降的方法，以获得局部最小值，最后，通过学习得到了受信者的用户特征向量w
ue
和项目特征向量q
je
；施信者q、受信者a、项目j组成一个受信者模型，用户a被用户q信任，由于用户q信任用户a，所以用户q在评价物品j时，会参考用户a过去的评分记录，从而受到用户a的影响，但q信任的人越多，他参考的评分记录就越多，a对q的影响就会越来越小，从而降低了a和q的相似性，如果q信任的人较少，那么q和a之间的相似性关系对于预测r
a，j
有很大的帮助；该模型评分预测的过程如下所述：1)根据双向信任分解svd++模型，建立trusteesvd模型，其中b
u
，b
j
分别表示用户和项目偏差，用户u和v代表受信者和施信者，μ为全局平均评分；i
u
为用户u评分的项目集，e
u
代表信任用户u的一组用户，内积q
jt
y
i
表示被评级的项目对用户u的第j项评分的影响，p
v
表示施信者对未评级项目的评级的影响，trusteesvd模型的计算公式如下(8)所示：2)通过最小化trusteesvd模型的损失函数的方法来学习用户特征和项目特征向量以及用户偏差和项目偏差；使用相同的正则化参数a，选择使用同一个参数，|| ||
f
代表frobenius范式；u
i
和u
j
分别表示对项目i和项目j进行评分的用户群体；λ
i
是控制信任正则化程度的参数；代表社交网络中施信者集合，trusteesvd模型模型的损失函数如(9)所示：
3)关于损失函数的局部最小值，使用梯度下降的方法，通过对b
u
、b
j
、q
j
、w
u
、y
i
和p
v
求偏导来得到，具体公式如(10)所示，其中表示的是预测评分和真实评分之间的误差；代表着在社交网络中通过矩阵分解方法预测的信任值和真实的信任值之间的误差，最后，将训练后得到用户的特征向量和项目特征向量和其他参数代入trusteesvd模型中进行计算，从而得到trusteesvd的模型预测评分：trusteesvd模型中进行计算，从而得到trusteesvd的模型预测评分：trusteesvd模型中进行计算，从而得到trusteesvd的模型预测评分：trusteesvd模型中进行计算，从而得到trusteesvd的模型预测评分：trusteesvd模型中进行计算，从而得到trusteesvd的模型预测评分：trusteesvd模型中进行计算，从而得到trusteesvd的模型预测评分：(2)trustorsvd模型1)将受信人的影响纳入了svd++模型中，施信者a和受信者w与项目j构成了施信者模型trustorsvd，施信者a对项目j的评分未知的情况下，施信者a会参考受信者w对于项目的评分，与trusteesvd模型相似，trustorsvd模型的计算公式如(11)所示：2)对于未知的项目，将用户的可靠性纳入到模型中，将纳入到损失函数之中。trusteesvd模型的损失函数如公式(12)所示：其中代表信任用户v的一组用户，因为活跃用户往往更值得信任，通过最小化
trustorsvd模型的损失函数来学习用户特征向量p
u
和项目特征向量q
j
；3)具体的梯度下降算法如公式(13)所示，将训练好的参数代入trustorsvd模型中，得到基于trustorsvd模型的预测评分：到基于trustorsvd模型的预测评分：到基于trustorsvd模型的预测评分：到基于trustorsvd模型的预测评分：到基于trustorsvd模型的预测评分：到基于trustorsvd模型的预测评分：(3)tt
‑
svd模型将施信者和受信人对项目的评分的影响统一起来，最终得到基于双向稀疏信任的推荐模型，称为tt
‑
svd模型，tt
‑
svd模型的计算公式如(14)所示，在对trustorsvd和trusteesvd模型进行独立训练后，通过权重β来统一两个模型的影响，获得最终的预测评级重β来统一两个模型的影响，获得最终的预测评级具体来说，通过对两个模型的损失函数采用梯度下降方法，并将训练好的b
u
、b
j
、q
j
、w
u
、y
i
和p
v
等参数分别代入trustorsvd和trusteesvd模型，分别计算出两个模型预测的评分信息，最后将两个模型的评分预测结果通过权重组合，得到了最终的评分数据。
技术总结
本发明涉及互联网、个性化推荐，为有效地解决推荐精度不佳的问题，从而提高推荐系统的效率和准确度，本发明，基于双向稀疏信任的推荐方法，第一部分是使用卡兹指标模拟信任的传播和聚合从而得到传递后的信任值：首先，用邻接矩阵的形式表示信任关系；其次，对于矩阵中未知的信任关系采用基于全局节点作为评估指标分别从信任传播和信任聚合两个角度预估信任在社交网络中的传递值，最后将传递后的信任值进行归一化处理，未知的信任关系被划分为明确的信任关系和不信任关系；第二部分双向稀疏信任推荐模型：将初始信任关系和传递后的信任关系均融入奇异值分解SVD++模型中。本发明主要应用于互联网个性化推荐场合。要应用于互联网个性化推荐场合。要应用于互联网个性化推荐场合。
技术研发人员：张悦 许光全 刘健 冯美琪 王金燕
受保护的技术使用者：天津大学
技术研发日：2021.07.06
技术公布日：2021/10/8