[发明专利]基于信任-评分时间演变双向效应的个性化商品推荐方法

权利要求书

1.一种基于活动的社交网络下结合环境数据的活动出席预测方法，其特征在于，包括如下步骤：

步骤一、得到用户对商品的历史评分数据和历史信任关系数据；

步骤二：确定用户的专业度程度，根据用户的主题专业度平衡用户对于商品评分的确定性和可借鉴性：

用户的专业度程度

其中，z_i表示第i个主题，θ_u表示用户u的主题分布，T表示主题集；p(z_i|θ_u)表示用户u在主题z_i下评分的概率；θ_u表示用户u；

步骤三、根据用户对商品的历史评分数据和历史信任关系数据训练得到信任-评分时间演变双向模型：

其中，S_x，i(t)表示在时间t时用户x对于商品i的评分，S_x，i(t+1)表示在t+1时刻用户x对于商品i的预测评分；T_x，y(t)表示在时间t时用户x对于用户y的信任，y∈N_x(t)，N_x(t)表示在t时间时用户x信任的用户的集合；α₁，α₂为参数，S_y，i(t)表示时间t时用户y对于商品i的评分；

其中，用户对于不同物品的评分时，先进行规范化：

S_u，i(t)＝S_u，i(t)/S_u，i(t)_max (2)

S_u，i(t)表示用户u在时间t对商品i的评分值；S_u，i(t)_max表示用户u在时间t对商品i的评分的最大值；u表示用户；i表示商品；

T_x，y(t+1)＝μ₁T_x，y(t)+μ₂sim(S_x，I(t)，S_y，I(t))+μ₃E(y) (3)

其中，T_x，y(t)表示t时刻用户x对于用户y的信任值，i∈I，I表示所有商品集，S_x，I(t)表示用户x对于商品集I的评分向量，sim(x，y)表示计算用户x与用户y的相似性；E(y)表示用户y的主题专业度；μ₁，μ₂，μ₃为参数，调节用户前一时刻的信任值、其与信任用户评分相似度和信任用户对象的主题专业度三者对于当前时刻信任值的影响权值；

步骤四、根据步骤三所得信任-评分时间演变双向模型更新得到用户间的最新信任值T_x，y(t+1)和用户对商品的最新评分值S_x，i(t+1)；

步骤五、利用用户间的信任网络建立随机游走模型，信任-评分双向效应模型对于用户评分值和信任值进行动态更新，动态更新产生的新数据作为随机游走模型的数据集生成给用户的推荐列表；

所述随机游走模型中，若被信任用户v确实已经给予商品i评分r_v，i，那么选择评分r_v，i，并且返回r_v，i；若被信任用户v没有给予商品i评分，那则分以下情况：

限定游走的最大步数为K，K≤6；

设置随机游走时，在用户v的节点止步的概率为σ_v，i；若在用户v的节点止步，则筛选用户v已经评分的商品集R_v中与商品i相似的商品j，返回用户v对于商品j的评分r_v，j；设置随机游走时，不在用户v的节点止步的概率为：1-σ_v，i；若随机游走继续往下走寻找用户v的直接信任用户，σ_v，i的取值用商品i与商品j的相似度进行衡量，相似度越大，停留在v用户的可能性越大，σ_v，i计算方法如下：

其中sim(i，j)表示商品i与商品j的相似度，sim()表示余弦相似度计算方法；e表示自然常数，k表示随机游走的步数；

p(XY_u，i＝(v，j))表示为了预测用户u节点给予目标商品i的评分，从用户u节点开始进行随机游走，停留在用户v节点并且获取用户v对于商品j的评分的可能性；P(XY_u，i＝(v，j))的计算方法如下：

其中，P(X_u，i＝v)表示从用户u节点开始的随机游走某一步经过用户v节点的概率，P(X_u，i＝v)由信任值T_u，v和用户u节点的度d的比值来计算：

P(X_u，i＝v)＝T_u，v/d

P(Y_v，i＝j)表示随机游走到达用户节点v选取商品j的评分进行计算的概率；XY_u，i＝(v，j)表示从用户节点u开始的随机游走到达用户节点v并且返回用户v对于项目j的评分，Y_v，i＝j表示随机游走到达用户节点v返回用户v对于项目j的评分，X_u，i＝v表示从用户节点u开始的随机游走某一步到达用户结点v，P()表示概率；σ_v，i表示预测对于商品i的评分进行随机游走时，停留在用户节点v的情况，σ_u，i表示预测对于商品i的评分进行随机游走时，停留在用户节点u的情况；

最后，预测得到预测用户u对于商品i的评分即所有以用户u为开始节点进行的随机游走所得返回值的加权值，具体方法如下：

R_v，j是一个二进制变量，表明用户v对于商品j是否有评分，R_v，j＝0表示用户v对于商品j没有评分，R_v，j＝1表示用户v对于商品j有评分；r_v，j表示用户v对于商品j的评分；{(v，j)|R_v，j}表示随机游走采用用户v节点对于商品j的评分的集合。