[发明专利]融合社交信任影响力的协同过滤推荐算法

说明书

本发明提供了一种融合社交信任影响力的协同过滤推荐算法，包括：步骤1，对用户对项目的评分矩阵数据进行预处理，填充删除不必要的数据，根据用户的评分来计算用户之间的相似度；步骤2，计算出用户的邻居用户集合；步骤3，根据用户对项目的评分矩阵数据计算出用户j对用户i的正确推荐个数、用户之间的局部信任度、每个用户的全局信任度。本发明通过充分挖掘稀疏的用户评分信息，构建隐式信任网络，通过评分数据计算出局部信任度和全局信任度，并通过将局部信任度和全局信任度结合得到隐式信任度，对于用户之间信任数据，考虑到了用户的信任传播，有效的扩充了用户的显示信任关系，缓解了评分矩阵数据稀疏和用户冷启动的问题。

技术领域

本发明涉及计算机技术推荐方法技术领域，特别涉及一种融合社交信任影响力的协同过滤推荐算法。

背景技术

随着网络信息量的迅速增加，利用推荐算法来处理信息过载已经成为一种有效的方法。在社交媒体和商业系统的发展中，在给用户带来便利的同时，用户和项目的信息也呈现出爆炸式的增长。面对用户和项目信息过载的问题，使用推荐系统已经成为过滤信息的有效工具。根据用户的偏好、项目特征、用户与项目的交互历史、时间与空间等附加信息，可以为特定用户生成相应的推荐列表。推荐系统中最重要的挑战之一是冷启动问题。一般来说，这种冷启动主要是指新用户或新增加的项目。由于用户和项目之间缺乏信息，推荐系统无法进行推荐。具体来说，冷启动用户主要指评分很少或没有评分的用户，这使得推荐系统无法使用邻域协同过滤算法对模型进行训练，也无法判断其相似的用户或偏好。基于社交网络的推荐算法对于冷启动用户是十分有帮助的，只要是处于社交网络中的用户连接足够多的用户，那么推荐算法就能够对冷启动用户做出相对准确的推荐。如前面所述，当前基于社交网络的社会化推荐主要是基于邻域方法的推荐。这些方法通过利用矩阵分解的方法去学习观察到的用户评分信息，从而得到用户和项目的隐特征向量。尽管信任的传递性在基于邻域的推荐算法中得到考虑，但是并没有考虑信任的传播效应。相比评分更多的用户，由于冷启动用户更加依赖社交网络，那么通过信任传播效应帮助推荐系统解决冷启动用户的推荐问题思得尤为重要。

综上所述，融合社交影响力的推荐算法在推荐系统中仍有较大的研究价值，推荐系统的性能小幅度的提升置于就能够商业上带来具大的价值。

发明内容

本发明提供了一种融合社交信任影响力的协同过滤推荐算法，其目的是为了解决由于信息过载导致的数据稀疏和用户冷启动的问题。

为了达到上述目的，本发明的实施例提供了一种融合社交信任影响力的协同过滤推荐算法，包括：

步骤1，对用户对项目的评分矩阵数据进行预处理，填充删除不必要的数据，根据用户的评分来计算用户之间的相似度；

步骤2，计算出用户的邻居用户集合；

步骤3，根据用户对项目的评分矩阵数据计算出用户j对用户i的正确推荐个数、用户之间的局部信任度、每个用户的全局信任度；

步骤4，将局部信任度和全局信任度进行整合，计算出用户的隐式信任度；

步骤5，对用户之间信任矩阵数据进行预处理，根据用户之间信任矩阵进行信任关系传播，计算出用户的显示信任度；

步骤6，将显示信任度与隐式信任度进行整合，计算出用户的综合信任度；

步骤7，对用户对项目的评分矩阵数据，使用皮尔逊相关系数方法，计算出项目相似度；

步骤8，根据项目相似度，计算出项目的相似项目集合；

步骤9，用户的综合信任度和项目相似度共同修正矩阵分解中的用户矩阵与项目矩阵，将用户信任关系与项目相似关系融入到概率矩阵分解模型中来，通过贝叶斯推导公式得到用户特征矩阵和项目特征矩阵的联合后验分布，得到最终的损失函数，通过梯度下降的方法训练用户特征矩阵和项目特征矩阵；