[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

说明书

本发明公开了一种基于信任‑评分时间演变双向效应的个性化商品推荐方法，引入了用户的主题专业度和时间效应下信任‑评分双向影响，并采用随机游走模型进行商品推荐。本发明引入用户的主题专业度和时间效应下信任‑评分双向影响，大大提高了基于信任的个性化商品推荐的准确度和覆盖率，从而提升用户体验，增强用户黏度。

技术领域

本发明涉及一种基于信任-评分时间演变双向效应的个性化商品推荐方法，属于社交网络分析技术领域。

背景内容

现有的基于信任的个性化商品推荐技术，大多是基于用户及其信任的用户历史的评分行为，考虑信任的传播，忽略时间和主题因素的影响，去预测用户对于未评分商品的评分。跟本专利最接近的是trustwalker信任推荐模型，该模型首先通过信任关系建立网络随机游走算法来预测用户对商品的评分，据此向该用户推荐商品。其技术方案如图1所示，该方案将用户之间的信任值默认为1，没有考虑信任值随时间演变的现实情况，同样也忽略了评分的时间演变。其对所有用户一视同仁，没有考虑不同用户不同主题的专业度差异和其评分的借鉴度不同。并且其对冷启动用户和冷启动产品也是用同样的随机游走方法进行推荐，没有提出任何改良，效果差强人意。

名词解释：

时间片：时间片即CPU分配给各个程序的时间，每个线程被分配一个时间段，称作它的时间片，即该进程允许运行的时间，使各个程序从表面上看是同时进行的。

随机游走模型：即假设各时期的收益率是独立的，并且不同时期的收益率的分布是相同的一种模型。

发明内容

本发明克服现有技术存在的不足，本发明公开了一种基于信任-评分时间演变双向效应的个性化商品推荐方法。本发明引入用户的主题专业度和时间效应下信任-评分双向影响，大大提高了基于信任的个性化商品推荐的准确度和覆盖率，缓解了冷启动问题，从而提升用户体验，增强用户黏度。

为解决上述技术问题，本发明所采用的技术方案为：

.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，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)