[发明专利]一种基于用户偏好和信任的冷启动推荐方法

说明书

本发明请求保护一种基于用户偏好和信任的冷启动推荐方法，包括步骤：S1，依据用户社交信息，度量用户间的综合信任值，构建信任关系矩阵；S2，依据用户评分数据，计算用户的偏好相似度，构建偏好关系矩阵；S3，利用综合相似度计算方法融合偏好关系与信任关系，并使用蜂群算法迭代更新综合相似度中的权值，进行多目标优化，使权值达到自适应最优，构建偏好信任关系矩阵；S4，基于偏好信任关系矩阵，选取目标用户的最可信邻居集为其预测相应项目的评分值；S5，将预测评分高的项目推荐给目标用户。本发明提高用户信任度量的精确度、更准确地构建用户行为偏好及提高了对冷启动用户的推荐质量。

技术领域

本发明属于数据挖掘协同领域，特别是涉及一种基于用户偏好和信任的冷启动推荐方法。

背景技术

推荐系统是指应用知识发现技术产生个性化推荐，从而帮助用户在大量的文章、产品、电影、音乐、网页等中筛选出有用的信息，已被广泛运用到各电子商务平台中。

已有的推荐方法主要分为基于内容的分为基于关联规则的推荐、内容过滤推荐、协同过滤推荐等三种。尤其，协同过滤推荐技术是被应用得最为广泛的一种推荐方法。但是协同过滤推荐技术也存在着用户冷启动的问题。基于用户协同过滤推荐技术的冷启动推荐方法的原理：通过寻找与目标用户偏好相似度较高的用户群，然后将该用户群感兴趣的项目推荐给目标用户。因此，寻找与目标用户相似度较高的其他用户是解决用户冷启动问题的关键。目前，计算用户间相似度的方法主要利用用户评分项目信息，然而用户-项目评分矩阵中的数据通常非常稀疏。

针对冷用户评分信息数据稀疏问题，目前使用最为广泛的就是应用多种类型的数据计算用户的综合相似度。其中，随着Web2.0的快速发展，用户的社交信息更容易被挖掘，且可靠性更高；因此，融合评分信息和社交信息计算用户间的综合相似度的方法是被应用得最广泛的。

尽管科研人员通过使用以上两种类型的数据计算用户的综合相似度，在一定程度上提高了冷用户的个性化推荐精度。但却往往忽视了两种类型数据各自存在的独特性，从而在处理两种数据时存在以下两方面的问题：一方面，一般都仅从单一的信任角度来考虑用户的信任关系，即仅考虑单一方面对用户信任的影响，且在用户评分相似上采用一般的相似度计算方法；另一方面，在用户综合相似度计算中，使用传统方法确定用户评分相似、信任值、社交相似的权值分配，导致用户的综合相似度准确度具有一定的片面性。因此，现有的融合信任信息和评分信息的用户冷启动推荐方法仍未能有效地提高冷用户的个性化推荐准确度。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种提高用户间信任值度量的准确度，同时提高用户评分相似度计算的精确度，多目标优化的基于用户偏好和信任的冷启动推荐方法。本发明的技术方案如下：

一种基于用户偏好和信任的冷启动推荐方法，其包括以下步骤：S1、依据用户社交信息，度量用户间的综合信任值，构建信任关系矩阵；S2、依据用户评分数据，计算用户的偏好相似度，构建偏好关系矩阵；S3、利用综合相似度计算方法融合步骤S2的偏好关系与步骤S1的信任关系，并使用蜂群算法迭代更新综合相似度中的权值，进行多目标优化，使权值达到自适应最优，构建偏好信任关系矩阵；S4、基于偏好信任关系矩阵，选取冷启动用户的最可信邻居集为其预测相应项目进行评分；S5、将预测评分高的项目推荐给冷启动用户。

进一步的，所述步骤S1构建信任关系矩阵包括以下步骤：

通过计算用户间的信任值得到用户对另一用户的信任程度，信任值为0的两用户间不存在信任关系，形成一个N×N有向邻接矩阵T，即用户的信任关系矩阵；其中的元素TS_(ui,uj)代表第i个用户对第j个用户的综合信任程度；所述N为正整数，且i、j均为不大于N的正整数。

进一步的，所述步骤S1中计算用户间信任值的方法包括：

(1)根据用户社交网的特性将用户的信任分为直接信任Dt和间接信任IDt；