[发明专利]一种面向社交网络基于云模型的推荐系统评分预测方法

说明书

本发明请求保护一种基于云模型的社交网络推荐系统评分预测方法，属于数据挖掘和信息检索领域。该方法利用评分社交网站中数据集，收集用户的历史评分记录，用户的社交关系。本发明针对用户评分主观性，通过逆向云发生器对用户评分构建评分云，采用综合云模型融合所有用户评分云生成父云，在父云下生成新的评分，并用评分对用户进行聚类，以发现用户的相似群体；为克服评分数据稀疏问题，通过引入隶属度和高维云模型，结合用户社交关系，并基于高斯变换构建多规则综合预测方法。

技术领域

本发明涉及数据挖掘和信息检索领域，涉及推荐系统的个性化推荐，是一种面向社交网络基于云模型的推荐系统评分预测方法。

背景技术

互联网的出现和普及给用户带来了大量的信息，满足了用户在信息时代对信息的需求，但随着网络的迅速发展，网络信息量的不断增加，信息超载的问题随之而来。针对信息超载问题，国内外专家学者不断提出新的方法，如强化搜索引擎、优化推荐方案。

近年来，推荐系统受到物联网巨头和电商越来越多的青睐，尤其个性化推荐技术的发展，它是根据用户的信息需求和兴趣，将用户感兴趣的信息和产品推荐给用户的个性化信息推荐系统。推荐系统可以分为两类：预测和topN推荐。前者是预测用户对项目的评分，后者是向用户提供一个个性化推荐列表。目前，研究应用最广泛的推荐系统评分预测方法主要有两种，一种是基于内容的评分预测，另一种是基于协同过滤的评分预测。基于内容的是通过对推荐项目内容信息的分析，形成表示推荐项目内容的资源特征描述，并根据用户过往行为记录对用户兴趣进行建模，通过计算已知用户偏好与项目属性刻画内容之间的匹配度来预测用户对项目的评分。基于协同过滤方案的是利用用户的过往行为记录，寻找用户的相似群体，并根据相似群体对推荐对象的评分，从而预测用户对项目的评分。由于互联网信息资源的多样性，基于内容的评分预测对多媒体资源内容解析的知识要求较高。因此，基于协同过滤的评分预测方法得到了更广泛的应用。

随着电子商务规模的扩大，不仅使数据量急剧增加，而且导致了用于评分预测的数据产生稀疏性，从而使传统协同过滤技术评分预测方法的预测精度急剧下降。此外，由于用户评分具有一定的主观性和用户自身的个体差异性，造成了难以发现目标用户真实兴趣相似群体的困难。因此，解决数据稀疏及评分标准不统一问题对提高预测精度起着重要作用。

然而对于数据稀疏和评分标准不统一问题，目前的推荐系统评分预测方法仍然没有很好的解决，为了提高评分预测的精度，增强推荐系统的性能，我们需要从问题出发，制定合适的解决方案。云模型是一个定性和定量之间的不确定转换模型，利用此特性可以把定量评分转换为定性的概念，并从定性概念入手统一用户评分的标准，云模型的另外一个特性是在形成云的过程中，其中一个特定的云滴不重要，重要的是云的整体形状，利用此特征可克服评分稀疏的问题，而在具体实施中如何利用云模型的特点构建可以克服数据稀疏和评分标准不统一问题的评分模型仍是本研究的难点。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种有效的解决用户评分数据稀疏情况下传统预测方法存在的问题，并提高预测精度的面向社交网络基于云模型的推荐系统评分预测方法。本发明的技术方案如下：

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，社交关系是用户的好友关系，也就是用户在社交网络中用的好友，是数据中存在的，不需要预测，聚类的目的则是找出和用户兴趣相似的其他用户，也就是聚类结果中同一个类别的那部分用户；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。