[发明专利]一种改进的融合相似度和信任度的协同过滤算法

说明书

本发明公开了一种改进的融合相似度和信任度的协同过滤算法，该算法提出了新的用户信任值度量方式，融合信任度和相似度计算用户之间的信任值，提高用户评分的一致性，建立用户信任值矩阵。该算法通过分析用户的评分行为和“小世界”理论构建用户之间的信任链，并融合用户的相似度和信任度构建用户之间的信任值矩阵，降低baseline算法中存在的数据稀疏性问题和算法健壮性问题。本发明具有灵活性强、应用性广等特点，例如社交网络推荐系统、贷款服务平台等，实验证明将用户之间的信任值引入到传统推荐算法中是可行的，有一定的实际意义。

技术领域

本发明涉及人工智能技术领域，具体是一种改进的融合相似度和信任度的协同过滤算法。

背景技术

近年来，随着互联网，物联网，云计算和其他新兴IT技术的广泛使用，互联网已变成人类不可或缺的信息获取方式。根据中国互联网信息中心(CNNIC)发布的第44次《中国互联网络发展状况统计报告》，截至2020年3月，我国网购用户规模达到9.04亿人，同比增长18.1％。互联网如此飞速的发展和普及以及计算机技术的不断提高，使我们进入了一个新的时代-Web3.0。Web3.0是在Web2.0的基础上发展起来的能够更好地体现网民的劳动价值，并且能够实现价值均衡分配的一种互联网方式。总体而言，Web3.0更多的不是仅仅一种技术上的革新，而是以统一的通讯协议，通过更加简洁的方式为用户提供更为个性化的互联网信息资讯定制的一种技术整合。Web3.0时代的特征是个性化、互动性和深入的应用服务：更加彻底地站在用户角度；多渠道阅读、本地化内容；用户间应用体验的分享；应用拉动营销，用户口碑拉动营销。用户的应用体验与分享，对网站流量和产品营销具有决定性作用；移动互联网和垂直网络实现有效对接，不是对接内容，而是用户体验和分享层面。同时，垂直网站将与B2C实现对接，从而实现产品数据库查询、体验、购买、分享等整个过程的一体化。正因如此，我们进入到了一个“信息爆炸”的时代，信息的不断激增也带来了许多困难。面对如此浩瀚且杂乱无章的信息，用户如何及时准确地获取到符合自身需求的信息资源成为学者们研究的课题。

在许多商业系统中，搜索用户喜欢的产品往往会得到其他用户的评论的支撑。这种推荐系统在许多领域都已经实现，如书籍、音乐、电影和在线学习。协同过滤(CF)是推荐系统所使用的一种著名的技术。许多商业系统，如亚马逊和eBay已经成功实现了协同过滤推荐。协同过滤的基本理念是寻找与当前用户志同道合的人，根据这些用户的评分行为为目标用户推荐他们可能喜欢的项目，这种方法被称为基于用户的协同过滤。从项目的角度来看，基于项目的协同过滤是为目标用户推荐与他们喜欢的项目的相似的项目。这两种协同过滤构成了基于内存的协同过滤算法。之所以这样命名，是因为它们在内存中保存了所有的用户评分。在任何一种方法中，推荐基本上都伴随着对看不见的项目的评分预测，和推荐具有高度预测评分的项目。

在协同过滤推荐中，查找相似的用户或项目对于系统性能至关重要。各种相似度计算的方法，如Pearson相关系数或余弦相似性被广泛应用到推荐系统中。这些方法基本上使用对给出的项目的用户评分来计算相似性。实际上，大多数商业系统都维护着大量的产品，协同过滤推荐算法能使用的用户-项评分矩阵极其稀疏。因此，这种数据稀疏性在协同过滤研究中是一个非常具有挑战性的问题，因为它通常会产生不值得信任的相似性。

基于内存的协同过滤算法的推荐系统往往面临两个重要的性能问题。首先，所有的评分差异，即两个用户的两个评分之间的差异，在计算相似性时没有考虑它们之间的相关性。其次，非活跃用户的平均评分难以预测。换句话说，非活跃用户的评分概率分布不能被正确地建模。为了解决这个效率问题，我们不仅需要更多的一致性相似性，还需要一个评分预测模型。为了解决上述问题，许多新的相似性模型已经被开发出来，如约束皮尔逊相关系数和基于模糊的相似性模型。除了相似性本身，相似性的可靠性度量也被提出，以获得更可信的评级预测。

在本发明中，引入用户之间的信任度，并融合用户的相似性计算用户的信任值，引入信任值进行评分预测，与其他传统算法相比，具有更高的准确性和解决了传统算法的健壮性问题。

发明内容