[发明专利]一种基于社交影响力传播的社交推荐方法

摘要

本发明公开了一种基于社交影响力传播的社交推荐方法，其步骤包括：1.构造用户对物品的评分矩阵和用户之间的社交关系矩阵；2.构造用户和物品初始特征矩阵；3.根据K次演化得到用户的社交影响力传播对用户融合特征矩阵的贡献；4.根据用户历史评分过的物品计算物品对用户融合特征矩阵的贡献；5.通过矩阵内积操作得到用户对物品的预测评分矩阵。本发明可以基于社交影响力缓解传统推荐模型中数据稀疏性问题，同时根据多个演化操作计算社交影响力传播的贡献，实现对用户融合特征矩阵的精准建模，从而实现对用户进行精准的物品推荐。

主权项

1.一种基于社交影响力传播的社交推荐方法，其特征是按如下步骤进行：步骤1、构造用户对物品的评分矩阵R和用户之间的社交关系矩阵S：令U表示用户集，且U＝{u1,...,ua,...,ue,...,uN}，ua表示第a个用户，ue表示第e个用户，a≠e，1≤a,e≤N，N表示用户总数；令V表示物品集，且V＝{v1,...,vi,...,vM}，vi表示第i个物品，1≤i≤M，M表示物品总数；令rai表示第a个用户ua对第i个物品vi的评分值，则用户对物品的评分矩阵为R＝{rai}N×M，如果第a个用户ua评价过第i个物品vi，则rai＝1，否则rai＝0；令sea表示第a个用户ua与第e个用户ue的社交关系值，如果第a个用户ua信任第e个用户ue，则sea＝1，否则sea＝0，则用户与用户之间的社交关系矩阵为S＝{sea}N×N；步骤2、构造用户和物品初始特征矩阵：步骤2.1、针对用户集U中所有用户，随机初始化一个符合标准正态分布的D×M的用户初始特征矩阵Q＝{Q1,...,Qa,...,QN}，其中，Qa表示第a个用户ua的D×1维初始特征向量；步骤2.2、针对物品集V中所有物品，随机初始化一个符合标准正态分布的N×D的物品初始特征矩阵L＝{L1,...,Li,...,LM}，其中，Li表示第i个物品的1×D维初始特征向量；步骤3、定义演化总次数为K，当前演化次数为k，并初始化k＝1；步骤4、对于用户集U中的第a个用户ua，从用户集U中寻找一个用户子集Ba，且用户子集Ba中的任意用户ub′满足sb'a＝1，从用户特征矩阵Q中查找第b′个用户ub′的初始特征向量Qb′；步骤5、对于用户集U中的第a个用户u_a，利用式(1)计算第k次演化的第a个用户u_a的演化特征向量从而得到第k次演化的所有用户的演化特征矩阵式(1)中，W^k是D×2D维的服从标准正态分布的第k次演化的随机实数矩阵；是第k‑1次演化的第a个用户u_a的演化特征向量，当k＝1时，B^k表示D维的服从标准正态分布的第k次循环的随机实数向量，f(·)是ReLU激活函数；是第k次演化的第a个用户u_a的社交邻居集合的影响向量，并有：式(2)中，是第k‑1次演化的第b′个用户u_b′的演化向量，当k＝1时，步骤6、将k+1赋值给k，并判断k＞K是否成立，若成立，则表示得到第K次演化后的所有用户的演化特征矩阵否则返回步骤5执行；步骤7、对用户集U中的第a个用户ua，从物品集V中寻找一个物品子集Ca，且物品子集Ca中的任意物品vc′满足rac′＝1，从物品初始特征矩阵L中查第c′个物品vc′的物品初始特征向量Lc′；步骤8、利用式(3)计算用户集U中第a个用户ua的融合特征向量Za，从而得到所有用户的融合特征矩阵Z＝{Z1,...,Za,....,ZM}：式(3)中，W是D×2D维的服从标准正态分布的随机实数矩阵；B表示D维的服从标准正态分布的随机实数向量，是第a个用户u_a的物品子集C_a对第a个用户u_a的融合特征向量Z_a的贡献，并有：步骤9、根据所述融合特征矩阵Z和物品初始特征矩阵L，利用式(5)计算预测评分矩阵中第a个用户u_a对第i个物品v_i的预测评分式(5)中，是表示第i个物品的1×D维物品初始特征向量L_i的转置；步骤10、建立如式(6)所示的目标函数步骤11、通过随机梯度下降法对所述目标函数进行优化求解，使得式(6)达到最小，从而得到最优预测评分矩阵，并利用所述最优预测评分矩阵进行物品推荐。