[发明专利]基于加权信任关系的概率矩阵分解推荐方法

权利要求书

1.一种基于加权信任关系的概率矩阵分解推荐方法，其特征在于包括以下步骤：

步骤1、根据信任的弱传递性，首先寻找到信任关系矩阵中每个用户信任的用户的集合，称为相似用户集合，然后根据相似用户集合中用户的信任关系，去填充目标用户对之前没有信任评分的用户的信任度；步骤1中找到相似用户集合，填充用户的信任关系具体包括以下步骤：

步骤1-1、初始设T＝[T_uv]_N×N来表示描述用户之间信任关系的信任关系矩阵，T_uv表示用户之间的信任评分，T(u)＝{(v∈U)|T_uv＝1}为用户u的信任用户集合；U是用户的集合；

步骤1-2、计算用户间相似度

式中，S(u,v)表示用户u与用户v之间的相似度，T(u)和T(v)分别表示用户u的信任用户数量和用户v的信任用户数量，|T(u)∩T(v)|则表示用户u和用户v共同信任的用户数量，t为设定的阈值，表示最少共同信任的用户数量；

步骤1-3、根据信任的弱传递性，求得用户u和用户v之间的预测信任评分，

式中，S(u)表示经过选取后所形成的用户u的相似用户集合，|S(u)|表示用户u相似用户的数量，S(u,k)表示用用户u与用户k共同信任的用户数量所衡量的相似度值，Isim_jacard(k,v)表示用户k与用户v的改进Jaccard相似度，T_kv表示用户k和用户v在原始评分矩阵中的信任度；

步骤1-4、遍历信任关系矩阵执行步骤1-3，得到每个用户与其他用户的信任值，得到新的填充后的信任关系矩阵；

步骤2、根据用户项目评分矩阵使用改进的Jaccard相似度计算公式计算出用户间相似度；

步骤3、将计算出的用户间相似度与新的信任关系矩阵融合，生成新的加权的信任关系矩阵；

步骤4、将加权的信任关系矩阵结合到概率矩阵分解算法中，生成基于加权信任关系的概率矩阵分解模型；

步骤5、根据基于加权信任关系的概率矩阵分解模型对目标用户进行推荐。

2.根据权利要求1所述的基于加权信任关系的概率矩阵分解推荐方法，其特征在于：步骤2中根据用户项目评分矩阵使用改进的Jaccard相似度计算公式计算出用户间相似度具体包括以下步骤：

步骤2-1、假设用户项目评分矩阵的评分值为0,1,2,3,4,5六个值，其中矩阵的行表示用户，列表示项目；

步骤2-2、根据公式计算两个用户间的相似度A和B分别表示用户A和用户B，|A∪B|表示用户A和用户B评分项目并集中包含项目数量，表示根据上面公式计算出的用户A和用户B共同评分项目的加权值。

3.根据权利要求1或2所述的基于加权信任关系的概率矩阵分解推荐方法，其特征在于，步骤3中将计算出的用户间相似度与新的信任关系矩阵融合，生成新的加权的信任关系矩阵具体为：

输入用户项目评分矩阵R和信任关系矩阵T，根据步骤2得出对于任意用户的邻居用户的相似度值，使用公式

得到新的加权信任关系矩阵W，式中|I_uv|代表用户u和用户v共同评分的项目数量，T_uv表示用户之间的信任评分。

4.根据权利要求1所述的基于加权信任关系的概率矩阵分解推荐方法，其特征在于：步骤5中根据基于加权信任关系的概率矩阵分解模型对目标用户进行推荐包括以下步骤：

步骤5-1、对所有目标用户没有评分的项目循环求得预测评分值，将这些评分值及项目从大到小排序；

步骤5-2、设系统的推荐项目数量为t，则推荐预测评分值前t个项目给目标用户。