[发明专利]一种基于信任信息的TimeSVD改进算法

说明书

本发明公开互联网领域内的一种基于信任信息的TimeSVD改进算法，用以解决推荐系统中用户冷启动以及评分数据过于稀疏的问题，当用户处于新用户时或者评分数据过少的时候，能够有效地通过信任网络中与该用户信任程度高的其它热用户的评分值，实现对该新用户进行物品推荐；该方法首先借助用户数据构建评分矩阵以及信任矩阵；接着运用TimeSVD算法对矩阵进行分解降维；最后结合信任矩阵模型与用户评分矩阵模型，构造损失函数进行训练，对比不同的信任值，准确地获取到用户的偏好。

技术领域

本发明涉及一种SVD算法，具体的说是一种基于信任信息的TimeSVD改进算法，属于互联网技术领域。

背景技术

随着互联网和信息技术的快速发展，数据量也飞速的增加。微博、搜索引擎、电子商务等网络业务的普及，导致人们在面对如此海量的数据时，想要筛选出自己想要的信息变得非常困难。为了解决这个问题，推荐系统应运而生。而协同过滤是建立推荐系统的最常用方法，多次在Netflix大赛中获得大奖。它分为基于用户(User-based)、基于项目(Item-based)以及基于模型的协同过滤(Model-based collaborative filtering)，包括MatrixFactorization(MF)，Singular Value Decomposition(SVD)，Latent DirichletAllocation(LDA)等。其中最受瞩目的就是SVD算法。

SVD算法可以直接用于推荐，我们把User-Item评分矩阵进行SVD分解降维，通过计算得出预测评分，并且直接对用户进行推荐。但为了提高推荐准确度，我们又在模型中加入隐式偏置信息，包括用户偏置、项目偏置以及时间偏置，从而组成新的TimeSVD模型，很大程度上提高了推荐的准确度。

信任信息作为用户隐式信息对于解决评分数据稀疏性和冷启动问题起到重要作用，一直收到广泛的关注。在用户日常生活中，除了从自身喜好和历史行为作为偏好判断之外，用户倾向于相信他们信任的其他人的信息，比如朋友或者网络好友。当用户属于新用户或冷用户时，但他可能与某个热用户有信任关系。通过这种反馈情况，信任关系信息可以作为隐式信息解决评分数据稀疏性和用户冷启动问题。这种信任关系是基于用户之间经常通过推荐物品产生的互相影响而发展起来。

发明内容

本发明的目的是提供一种基于信任信息的TimeSVD改进算法，解决了推荐系统中特定用户冷启动的问题，当用户处于新用户时或者评分数据过少的时候，能够有效地通过信任网络中与该用户信任程度高的其它热用户的评分值，实现对该新用户进行物品推荐。

本发明的目的是这样实现的：一种基于信任信息的TimeSVD改进算法，包括以下步骤：

步骤1)数据输入，包括用户评分信息与用户信任信息；

步骤2)构建评分矩阵：建立m×n阶的用户-项目评分矩阵，m为用户组，n为项目组，用R表示评分矩阵，则R＝[r_u,i]_m×n，r_u,i表示用户u对项目i的评价；

步骤3)构建信任矩阵：建立m×m阶的用户信任矩阵，m为用户组，用T表示用户信任矩阵，则T＝[t_uv]_m×m，它表示用户u对v的信任值，当特定项目为i时，矩阵为

步骤4)TimeSVD分解矩阵：利用TimeSVD对已经建立好的m×n阶评分矩阵R分解降维，将矩阵R分解为P∈R^d×m、Q∈R^d×n、∑；其中P∈R^d×m代表用户矩阵，Q∈R^d×n代表项目矩阵，将高维度的用户-项目的评分矩阵分解为两个低维度矩阵的乘积，这两个低维度矩阵分别被称为用户特征向量矩阵和项目特征向量矩阵，∑是奇异值的对角矩阵，则用户u对未评分项目i的评分预测值

步骤5)根据评分预测，给出推荐结果。