[发明专利]一种基于随机扰动技术的协同过滤群组推荐方法

摘要

本发明公开了一种基于随机扰动技术的协同过滤群组推荐方法，主要针对协同过滤群组推荐过程中用户可能暴露隐私信息的等问题，提出一种隐私保护群组推荐方法，主要包括提出用户原始评分数据扰动处理，用户兴趣偏好值，偏好作用权重和频度权重，通过随机扰动技术对用户原始数据进行处理保护用户的隐私数据，用户兴趣偏好值形成共同偏好群组，偏好作用权重和频度权重得到群组偏好值，基于项的协同过滤得到共同偏好群组预测评分，满足了群组获得推荐的同时也可以保护群组内用户隐私数据的需求。

主权项

1.一种基于随机扰动技术的协同过滤群组推荐方法，其特征在于，包括以下步骤：步骤一、构建共同偏好群组：首先根据用户评分越集中反映用户兴趣偏好的原则计算得到用户兴趣偏好并构造偏好矩阵Q，然后通过皮尔逊相关系数计算兴趣偏好相似度并通过聚类方法将用户构建成各个共同偏好群组g；步骤二、计算群组偏好值：首先将用户原始评分进行随机扰动处理得到扰动后的评分R′_i，然后分别计算群组内用户的偏好作用权重w₁和频度权重w₂并根据这两个标准得出最后的群组偏好值r_g；步骤三、计算共同偏好群组预测评分：利用群组偏好值r_g和基于项的协同过滤方法得出群组的预测评分P_g，并且将预测评分最高的前K个项目推荐给步骤一构建成的群组g，K≥1；所述步骤一具体如下：步骤1.1)计算用户偏好值：设u为任一用户，I_u表示用户u已评分的项类集合，A＝{a₁,a₂,...,a_n}表示经过项目划分生成的项类集合，n表示项类数目，对于a_k表示第k个项类，1≤k≤n且k为整数，则称为u在a_k项类上的用户偏好值；步骤1.2)计算偏好相似度：根据步骤1.1得到用户对每个项类的偏好值，据此构造出偏好矩阵Q，在Q上，采用协同过滤中的相似度度量方法皮尔逊相关系数来计算用户间的项类偏好相似性，将偏好相近的用户划分到同一个群组中；其中，u和v表示某两位用户，sim(u,v)表示这两个用户间的偏好相似性，和分别表示u和v对a_k项类的偏好值，和分别表示u和v的偏好的平均值，步骤1.3)根据用户间的偏好相似性将用户划分成群组，利用k‑means算法将用户划分成群组，将所有待划分用户中选择k个初始用户中心，然后根据欧氏距离计算公式和用户偏好相似性计算各用户与初始类中心的距离，将各用户移动到距离最近的初始类群中，重复计算所有用户与初始类中心的距离并调整用户到与其距离最近的类群中直到所有的用户不再变动，这样便将所有的用户划分成各个具有相似偏好的共同偏好群组；所述步骤二具体如下：步骤2.1)用户评分扰动：设g＝{u₁,u₂,...,u_e}，u_i表示群组中第i个用户，i∈[1,e]，e表示群组中成员的数量，R_i＝(r_i1,r_i2,...r_in)表示群组中用户u_i的评分向量，其中，r_ik表示用户u_i的第k个评分；根据随机扰动技术，扰动后的评分R′_i＝(r_i1+l_i1,r_i2+l_i2,...r_in+l_in)，其中，(l_i1,l_i2,...l_in)表示一个服从均匀分布或者高斯分布的扰动噪声，l_ik表示对第k个评分添加的扰动噪声；步骤2.2)计算偏好作用权重：采用表示群组中所有成员评分的均值向量，采用表示群组中所有成员扰动评分的均值向量，其中，根据随机扰动技术的原理和皮尔逊相关系数，得出sim(R_i,R_mean)≈sim(R′_i,R′_mean)，因此偏好作用权重计算如下：步骤2.3)计算频度权重：取群组中某一用户u_i，用表示该群组内用户产生评分的项，则该用户的频度权重如下：步骤2.4)计算群组偏好值：步骤2.2得到的偏好作用权重从均值角度体现用户对群组的作用，步骤2.3所得的频度权重从评分次数角度体现用户对群组的作用，将两者统筹考虑得到群组中该成员在群组偏好形成过程中所起的作用为进而计算得出群组g对于项目I_k的偏好值如下：