[发明专利]一种基于信任计算和矩阵分解的推荐算法

说明书

本发明公开了一种基于信任计算和矩阵分解的推荐算法。矩阵分解推荐模型是目前广泛使用的个性化推荐技术，然而普遍存在数据稀疏性、冷启动和抗攻击能力差等问题。本发明以社交网络中的社会同质性原理作为理论依据，根据用户的兴趣偏好是由其自身特质和朋友影响结果的启发式思想，提出一种简单有效的信任度量方法和一个信任加强的矩阵分解推荐算法。信任计算过程综合考虑了全局信任、局部信任、信任传递、多路信任组合等因素。在基于矩阵分解的用户建模过程中，利用信任邻居用户对当前用户的潜在因子向量加以扩展，同时利用用户间的信任关系对参数求解目标函数进行规格化约束，从而极大缓解了数据稀疏性和冷启动问题，并具有良好的抗攻击能力。

技术领域：

本发明属于计算机人工智能领域，具体涉及基于用户信誉度的信任扩展方法和信任加强的矩阵分解协同推荐模型，用于解决推荐系统中的数据稀疏性问题和新用户的冷启动问题。

背景技术：

在这个信息爆炸的时代，推荐系统作为一种有效的信息过滤技术在各种电子商务平台和社交网络中被广泛使用，如Amazon,eBay，Netflix等。自从2009年Netflix Prize百万美金竞赛以来，基于矩阵分解的协同推荐技术以其在大赛中的优异表现得到了业界的广泛关注。矩阵分解的核心思想认为用户的兴趣只受少数几个决定性因素的影响，因此通过将稀疏且高维的用户-项目评分矩阵分解为两个低维的矩阵，即用户特征矩阵和项目特征矩阵，然后用重构的低维矩阵就可以预测用户对项目的评分，这样可以在减少计算复杂度的同时提高推荐性能。

然而在现实环境中，用户-项目评分矩阵往往非常稀疏，评分矩阵的极端稀疏性使得矩阵分解方法无法准确获得用户的偏好模型，从而影响评分预测和推荐的精度。鉴于此，研究者们纷纷提出各种改进策略，如矩阵填充、带偏置的矩阵分解、上下文感知的矩阵分解、联合矩阵分解等。然而以上方法并没有从根本上解决协同推荐中的数据稀疏性问题，因为它们使用的数据源并没有改变。

根据社会影响理论中的“从众”性，用户在社交环境中的行为一方面是由用户自身的兴趣偏好决定的，另一方面则会受到周围人群的影响。近年来，随着社交网络的兴起和蓬勃发展，社交网络中产生了大量的用户数据，信任关系就是其中之一。用户间的信任关系和用户-项目间的交互行为是两个相对独立的数据源，利用社交信任关系来改善推荐系统的性能是本发明的主要动机。

传统的协同过滤技术还存在冷启动问题，对于那些具有极少甚至没有历史评分数据的新用户，该方法往往很难为其做出正确的推荐。社交信任的引入可以缓解这一难题，根据社交选择与社会影响理论中的同质性原理，朋友之间往往具有相似的兴趣爱好，所以可以利用用户之间的信任关系辅助构建用户的偏好模型。

抗攻击能力也是推荐系统需要关注的问题之一，基于历史评分的协同推荐技术显然存在安全隐患。恶意用户前期通过效仿目标用户的行为成为其相似邻居，后期通过实施恶意行为来对目标用户造成伤害。基于信任关系的协同推荐可以避免这个问题，只要恶意用户不属于目标用户的可信任朋友圈，他们就不可能对目标用户的评分预测产生任何影响。

基于以上原因，我发明提出一种信任加强的推荐方法，采用低时高效的矩阵分解模型作为主框架，利用信任关系作为附加数据源，采用信任同质性原理对推荐模型进行扩展和约束，有效解决数据稀疏性问题、冷启动问题，全面提高推荐系统的性能和抗攻击能力。

发明内容：

首先，提出一种基于用户全局信誉度的信任计算方法，用以扩展用户的社会关系，缓解社交推荐中信任数据的稀疏性问题；然后，提出一种信任加强的矩阵分解模型，使用Top-K信任用户对当前用户的特征向量进行扩展，解决评分数据的稀疏性问题和新用户的冷启动问题；最后，进一步利用用户间的信任关系，对矩阵分解的目标优化函数进行规格化约束，提高评分预测和推荐的准确性。

本发明的具体步骤为：

1.信誉度敏感的信任计算