[发明专利]基于信任扩展和列表级排序学习的服务推荐方法

权利要求书

1.一种基于信任扩展和列表级排序学习的服务推荐方法，其特征在于，包含可信邻居集合建立阶段和服务排序学习阶段，其中，

可信邻居集合建立阶段中，根据已知的用户服务调用数据集，确定目标用户、其他用户集合及目标用户的直接信任集合，针对目标用户和其他用户集合中的任一用户，该任一用户记为其他用户，执行如下内容：

A)、通过Plackett-Luce模型将目标用户和其他用户表示为已调用服务集合的概率分布，并计算目标用户与其他用户的概率型相似度；

B)、利用信任扩展模型挖掘目标用户与其他用户之间的信任关系，该信任关系包括直接信任关系和间接信任关系，结合目标用户与其他用户的概率型相似度获取两者之间的可信相似度；

对目标用户和其他用户集合中其他用户之间的可信相似度进行排序，获取可信邻居集合；

服务排序学习阶段中，根据已知训练数据集，将已知训练数据集中用户评分矩阵分解为用户隐含特征矩阵和服务隐含特征矩阵，并结合可信邻居集合预测服务QoS值，通过排序学习模型对服务排序列表进行训练学习，获取目标用户最佳服务推荐列表。

2.根据权利要求1所述的基于信任扩展和列表级排序学习的服务推荐方法，其特征在于，

A)中计算概率型相似度的过程如下：

A1)、设定目标用户u和其他用户集合中任一其他用户v的共同调用服务集合为I_u,v，确定I_u,v上所有的top-k排列集合，记为

A2)、针对中的每一个top-k排列集合g，分别计算用户u和v出现的概率P_u(g)和P_v(g)，根据概率P_u(g)和P_v(g)计算概率分布P_u和P_v相互之间的KL距离；

A3)、根据KL距离计算用户u和v之间的概率型用户相似度。

3.根据权利要求2所述的基于信任扩展和列表级排序学习的服务推荐方法，其特征在于，A2)中，通过公式：

计算得到用户u和v出现的概率P_u(g)和P_v(g)，r(π_j)是排在第j个位置的服务QoS值，T_k(i₁,i₂,...,i_k)为所有前k个服务为i₁,i₂,...,i_k∈I_u,v的top-k排列集合g；通过公式计算概率分布P_u和P_v相互之间的KL距离。

4.根据权利要求3所述的基于信任扩展和列表级排序学习的服务推荐方法，其特征在于，

A3)中，利用公式计算用户u和v之间的概率型用户相似度，c为|I_u,v|的阈值。

5.根据权利要求1所述的基于信任扩展和列表级排序学习的服务推荐方法，其特征在于，

B)中可信相似度的获取包含如下内容：

B1)、基于Beta信任模型计算目标用户和其他用户之间的直接信任度；并根据目标用户的直接信任集合，计算目标用户和其他用户之间的间接信任度；

B2)、通过目标用户和其他用户之间的直接信任度和间接信任度，计算两者之间的综合信任度；

B3)、结合概率型相似度和综合信任度，得到目标用户和其他用户之间的可信相似度。

6.根据权利要求5所述的基于信任扩展和列表级排序学习的服务推荐方法，其特征在于，

B1)中，根据公式计算用户u和v之间的直接信任度RT(u,v)，其中，x代表在用户u和v所有服务信息交互过程中用户v为用户u做出的有效推荐行为，p_u,v代表有效推荐行为次数，q_u,v代表无效推荐行为次数；根据公式计算用户u和v之间的间接信任度，其中，w_k为直接信任集合D中的用户d_k向u推荐v的权重，其大小为用户u与d_k之间的直接信任度；RT(v,k)为用户v与d_k之间的直接信任度。