[发明专利]一种基于信任和影响力结合的个性化推荐方法

权利要求书

1.一种基于信任和影响力结合的个性化推荐方法，其特征在于，包括以下步骤：

步骤1：构建用户-项目评分矩阵；

步骤2：对用户-项目已评分矩阵进行计算后得到用户初始直接信任度T(u,v)；使用皮尔逊相关系数度量计算用户相似度sim(u,v)，并结合用户交互频率得到用户对项目的偏好度P(u,c)；

步骤3：在成功或失败的用户交互中根据用户对项目的偏好度为不同的项目分配不同的权重，得到最终的直接信任度T(u,v)，再利用设置阈值的方式过滤掉信任值小于阈值的方式得出最终的用户-用户信任矩阵；

步骤4：通过信任矩阵计算影响力，并按照影响力强度筛选出预设大小的影响力用户结合，构成用户-用户影响力矩阵；

其中通过信任矩阵计算影响力，并按照影响力强度筛选出预设大小的影响力用户结合，具体为：

步骤4.1：计算边的权值w(i,j)：

边的权值为节点i和节点j信任的权值，且该权值是有向的，即i→j为T(i,j)，w(i,j)＝T(i,j)；

步骤4.2：计算节点的权值w(i)：

节点的权值为该节点出度的边的权值之和，即

其中，表示用户i的出度集合，即用户i的信任用户集合；

步骤4.3：计算相关重要性p(i,j)：计算公式如下：

步骤4.4：计算影响力C(i,j)：计算公式如下：

其中p(i,j)表示的是用户i对用户j的直接影响力，而p(i,j)p(i,k)表示用户k对用户j的间接影响力；通过设置阈值v_c，将大于v_c的用户保留作为用户j的影响力用户集合；

步骤5：构建及训练模型；

步骤6:通过训练好的模型预测用户对未知项目的评分，选择top-N个评分分的项目集产生最终推荐集。

2.根据权利要求1所述的一种基于信任和影响力结合的个性化推荐方法，其特征在于，步骤2中，对用户-项目已评分矩阵进行计算后得到用户初始直接信任度的计算公式包括：

其中，用户u和用户v的初始直接信任度为Init(u,v)，取值为(0,1]；I_u∩I_v表示用户u和用户v已进行过的交互次数，阈值D用来衡量两个用户完全信任对方时的最少交互次数。

3.根据权利要求1所述的一种基于信任和影响力结合的个性化推荐方法，其特征在于，步骤2中，使用皮尔逊相关系数度量用户相似度的公式包括：

其中，用户u于用户v的相似度为sim(u,v)；I_u,v集合包含的是用户u、v同时评分过的项目；r_u,i和r_v,i分别表示用户u和用户v对项目i的评分；是用户u评分过的项目对应的评分集合H中元素和的均值，计算如下：

同理，意义同上。

4.根据权利要求1所述的一种基于信任和影响力结合的个性化推荐方法，其特征在于，步骤2中，计算用户-项目偏好度的公式如下：

其中，用户u对项目c的偏好度为P(u,c)；U_c代表对项目c进行过评分的用户集合，m是U_c中的用户。

5.根据权利要求1所述的一种基于信任和影响力结合的个性化推荐方法，其特征在于，步骤3中，在成功或失败的用户交互中根据用户对项目的偏好度为不同的项目分配不同的权重，得到最终的直接信任度，再利用设置阈值的方式过滤掉信任值小于阈值的方式得出最终的用户-用户信任矩阵的方法包括：

其中，用户u对用户v最终的直接信任度为T(u,v)；若用户u和用户v对商品c的评分之差小于等于ε，就认为这次交互是成功的(success+1)，反之失败(failure+1)；k为设置的用于过滤低信任值的阈值；用户u对项目c的偏好度为P(u,c)。

6.根据权利要求1所述的一种基于信任和影响力结合的个性化推荐方法，其特征在于，步骤5中，构建并训练融合社会化信息的推荐模型，包括：

步骤5.1：将数据集采用5-折交叉验证方法，将数据集随即且平均划分为5份，依次选取其中1份作为测试机，剩余4份数据作为训练集；

步骤5.2：对训练集中的用户进行评分预测，方法如下：

其中，用户u对项目i的预测评分为b_i代表项目i的偏置；α,β,z，x和θ分别是评分项目，相似用户、信任用户、被信任用户以及影响力用户的个数的参数；对于每个可信用户，而他们的内积表示的是用户w在目标项目i上的影响；s为调和参数，与1-s分别代表用户和项目在计算评分时的权重，同理，δ与1-δ分别代表信任出度和信任入度在计算评分时的权重；p_v、q_u分别表示用户v与u的特征向量，通过计算内积来得出两用户的相似性；同理x_j、y_i分别表示项目j与i的特征向量，为项目之间的相似性；与前两个不同，表示的是用户w对目标项目i所造成的影响；

步骤5.3：构建损失函数J：

其中，C代表对该用户有影响力的用户群体；表示向量或矩阵的L2范数的平方，即各维度数值的平方和；为用户u的信任用户，为信任用户u的用户群体；r_u,i和r_u,j分别代表用户-项目评分矩阵中用户u对项目i及项目j的评分，和则是本次算法计算出的预测评分；P、Q为用户特征矩阵；X、Y代表项目特征矩阵；b表示偏置矩阵；

步骤5.4：创建推荐模型：

从损失函数J中获取用户潜在特征矩阵P和项目潜在特征矩阵X的梯度，并利用梯度下降法对损失函数进行训练。