[发明专利]一种基于信任关系的物品推荐方法

说明书

技术领域

本发明属于人工智能领域，具体涉及一种基于信任关系的物品推荐方法。

背景技术

随着信息技术和互联网的发展，用户信息、商品信息等各种数据呈指数增长，出现了“信息过载”，无论是信息消费者还是信息生产者都遇到了很大的挑战：作为信息消费者，如何从大量信息中找到自己感兴趣的信息是一件非常困难的事情；作为信息生产者，如何让自己生产的信息脱颖而出，受到广大用户的关注，也是一件非常困难的事情。推荐方法就是解决这一矛盾的重要工具。

目前，几乎所有大中型的网站，例如Facebook，Amazon，Netflix，淘宝网，豆瓣网等都不同程度的使用了各种形式的推荐方法，并且取得显著的效果。推荐方法已经成为电子商务、社交网络中的一项非常重要的技术，也产生了巨大的经济效益。推荐方法在理论和实践方面都得到了很大发展。

目前涌现了各种各样的推荐算法，主要的方法有基于内容的推荐和协同过滤推荐。

基于内容的推荐是根据用户的历史行为(如浏览记录、对项目的评价等)构造个人兴趣图谱和文档，计算被推荐项目与用户兴趣文档的相似度，将相似度高的项目推荐给用户，例如Pandora音乐网站，其音乐家和研究人员亲自听了上万首来自不同歌手的歌，然后对歌曲的不同特性(比如旋律、节奏、编曲和歌词等)进行标注，然后，Pandora会根据专家标注的基因计算歌曲的相似度，并给用户推荐和他之前喜欢的音乐在基因上相似的其他音乐。很显然，这种方式依赖于对项目属性的准确描述，需要大量的收集项目的属性信息，性能低，通常具有冷启动和扩展性的问题。

另一种主流的方法是协同过滤推荐。最早应用在邮件方法Tapestry中。协同过滤算法也分为基于用户的协同过滤和基于项目(物品)的协同过滤。基于用户的协同过滤算法给用户推荐和他兴趣相似的其他用户喜欢的物品，基于物品的协同过滤算法给用户推荐和他之前喜欢的物品相似的物品。举例来说，基于用户的协同过滤算法只需根据用户以往对物品的评分信息就可以计算用户之间的相似度，然后就可以把与目标用户(被推荐用户)相似度高的那些用户喜欢的东西推荐给目标用户。同理，基于物品的协同过滤算法可以根据物品被喜欢的用户计算物品之间的相似度，然后进行推荐。

协同过滤算法很好的弥补了基于内容推荐算法的不足，凭借着自身简单高效的特点，在很多领域都被广泛应用，但是这种方法只依赖用户的历史评分信息，没有利用其他的数据，本身也存在着冷启动、数据稀疏等问题。

近年来，国内外研究者们在基于信任计算和个性化推荐方面进行了大量研究，主要利用信任关系改善个性化推荐的性能，在一定程度上缓解了推荐的数据稀疏性问题，并取得了一定研究成果。然而已有方法主要关注用户显式信任关系的计算及其推理，很多有价值的隐式信任关系往往被忽略，且仅仅考虑了当前推荐平台上的信任关系。

因此，需要一种更加有效地解决冷启动用户和数据稀疏问题的推荐方法。

发明内容

本发明针对上述现有技术存在的问题作出改进，即本发明要解决的技术问题是提供一种基于信任关系的物品推荐方法，能够解决往推荐系统中的数据稀疏性问题和冷启动用户问题。

为了解决上述技术问题，本发明提供了如下的技术方案：

一种基于信任关系的物品推荐方法，包括如下步骤：

S1、建立用户模型和物品模型、建立旧用户-物品评分模型、用户-用户信任模型，确定被推荐用户；

S2、根据用户-用户信任模型，初始信任模型定义为直接信任；系统定义如果用户A直接信任用户B，用户B直接信任用户C，且用户A在初始状态和用户C没有直接信任关系，那么定义用户A间接信任用户C，这种情况为1步传递；以此类推2步传递和3步传递，并在传递过程中加入信任衰减；计算出被推荐用户的所有信任关系；

S3、对于旧用户，根据旧用户-物品评分模型计算出被推荐用户与其他旧用户的相似度，结合被推荐用户的信任关系，整合得出被推荐用户的最相似用户集；对于新用户，根据新用户与旧用户之间信任关系计算出被推荐用户的最相似用户集；然后在最相似用户集上利用协同过滤算法预测物品评分，将高评分物品作为推荐。

所述用户模型的建立：根据用户历史记录，包括购买的物品和对物品的评分和用户之间的联系建立用户模型；对于新用户，系统导入互联网上此用户与其他旧用户之间的联系，建立用户模型。