[发明专利]基于信任网络的推送方法、装置、计算机设备及存储介质

权利要求书

1.一种基于信任网络的推送方法，其特征在于，包括：

若当前时刻的商品评论信息与上一时刻的商品评论信息比对以判定用户之间存在新增的相互评论关系，根据用户之间新增的相互评论关系对应的评论内容获取当前信任值；

根据所述当前信任值对上一时刻存储的用户信任矩阵进行更新，得到当前时刻存储的用户信任矩阵；其中，上一时刻存储的用户信任矩阵和当前时刻存储的用户信任矩阵中，每一取值表示取值所在行对应的用户对取值所在列对应的用户的信任值；

获取从所述当前时刻存储的用户信任矩阵选中的行向量所对应的目标用户，根据目标用户对应的行向量中各信任值大小，获取信任值大小位于预设排名阈值之前的信任用户以组成信任用户簇；

根据所述信任用户簇中各信任用户在用户-评分矩阵中对应的评分行向量，获取信任用户对各商品的信任评分值以组成商品推荐行向量；以及

由商品推荐行向量得到商品推荐列表，将所述商品推荐列表推送至目标用户对应的接收端。

2.根据权利要求1所述的基于信任网络的推送方法，其特征在于，所述根据用户之间新增的相互评论关系对应的评论内容获取当前信任值，包括：

获取用户之间新增的的相互评论关系对应的评论内容，将所述评论内容进行分词得到分词结果；

通过Word2Vec模型获取分词结果中各评论关键词对应的词向量，由分词结果中各评论关键词对应的词向量对应获取文本向量；

将文本向量作为预先训练得到的朴素贝叶斯模型的输入，得到与评论内容对应的情感识别结果；其中，若情感识别结果为正面情感结果时情感识别结果取值为1，若情感识别结果为负面情感结果时情感识别结果取值为-1，若情感识别结果为中性情感结果时情感识别结果取值为0；

将情感识别结果与衰减系数相乘，得到当前信任值；其中衰减系数为e^-λ(t-t0)，λ为预设的调节参数且取值范围为(0,1)，t-t0为用户之间的相互评论关系对应的评论时间间隔。

3.根据权利要求1所述的基于信任网络的推送方法，其特征在于，所述根据所述信任用户簇中各信任用户在用户-评分矩阵中对应的评分行向量，获取信任用户对各商品的信任评分值以组成商品推荐行向量，包括：

获取所述信任用户簇中各信任用户在用户-评分矩阵中对应的评分行向量组成的评分矩阵；

获取由所述信任用户簇在目标用户对应的行向量中各信任值大小组成的信任用户行向量；

将所述信任用户行向量与所述评分矩阵相乘，以得到商品推荐行向量。

4.根据权利要求2所述的基于信任网络的推送方法，其特征在于，所述将所述评论内容进行分词得到分词结果，包括：

按从左至右的顺序从评论内容中取出候选词；

在预先存储的词典中查询与每一候选词对应的概率值，并记录每一候选词的左邻词；

计算获取每一候选词的累积概率，并获取每一候选词对应的多个左邻词各自的累积概率，若每一候选词的多个左邻词中存在累积概率为多个左邻词的累积概率中最大值的左邻词，将累积概率中最大值的左邻词作为与候选词对应的最佳左邻词；

以评论内容的终点词为起点，从右至左依次输出与每一候选词对应的最佳左邻词，得到分词结果。

5.根据权利要求3所述的基于信任网络的推送方法，其特征在于，所述获取所述信任用户簇中各信任用户在用户-评分矩阵中对应的评分行向量组成的评分矩阵，包括：

获取所述信任用户簇中各信任用户在用户-评分矩阵中对应的评分行向量，按照各信任用户在用户-评分矩阵中对应的评分行向量中行序号的先后顺序进行排列，得到评分矩阵。

6.根据权利要求3所述的基于信任网络的推送方法，其特征在于，所述获取由所述信任用户簇在目标用户对应的行向量中各信任值大小组成的信任用户行向量，包括：

获取信任值大小位于预设排名阈值之前的信任用户，将信任值大小位于所述排名阈值之前的信任用户按照在目标用户对应的行向量中列序号的先后顺序进行排列，得到信任用户行向量。