[发明专利]一种融合信任用户隐语义LR模型的信息推送方法及系统

说明书

本发明公开了一种融合信任用户隐语义LR模型的信息推送方法及系统。该方法包括：获取并根据目标用户的信任用户列表以及电商系统的所有用户，确定与目标用户不存在信任关系的用户；根据目标用户的信任用户和非信任用户，对分类模型进行训练；采用训练后的分类模型对电商系统的所有用户进行分类，得到目标用户在电商系统中所有的信任用户；根据各用户对商品的评分，确定目标用户的相似用户；根据信任用户和相似用户对商品的评分，预测目标用户对商品的评分；根据预测得到的目标用户对商品的评分，确定是否向目标用户推送所述商品。本发明结合用户的信任因素向用户推送可能感兴趣的信息，提高了对用户推荐的准确率。

技术领域

本发明涉及一种融合信任用户隐语义LR模型的信息推送方法及系统。

背景技术

随着互联网的高速发展，信息呈现爆炸性增长，出现了“信息过载”的问题。面对如此浩繁的信息，如何快速获取用户感兴趣的信息成为了学者研究的热点。在这个背景下，推荐系统应运而生。协同过滤推荐策略在个性化推荐服务上被广泛的应用，是目前最成功的推荐技术之一，但其受到了评分数据稀松、用户冷启动等问题的限制，影响了系统对用户推荐的准确率。

发明内容

本发明的目的是提供一种融合信任用户隐语义LR模型的信息推送方法及系统，通过结合用户的信任因素，确定并推送用户可能感兴趣的信息，克服了传统推送方法中评分数据稀松、用户冷启动等问题的限制，提高了对用户推荐的准确率。

为实现上述目的，本发明提供了如下方案：

一种融合信任用户隐语义LR模型的信息推送方法，所述方法应用于电商系统，所述电商系统包括：评价模块和信任评选模块，所述评价模块包括用户对各商品的评价，所述信任评选模块包括用户信任列表，所述用户信任列表由所述用户评选出的信任用户所组成的列表；

所述方法包括：

获取目标用户的信任用户列表以及所述电商系统的所有用户；

根据目标用户的信任用户列表以及所述电商系统的所有用户，确定与所述目标用户不存在信任关系的用户；

将所述目标用户和其信任列表中的各用户所构成的向量作为正样本，将所述目标用户和与其不存在信任关系的用户所构成的向量作为负样本，对分类模型进行训练，得到训练后的分类模型，所述分类模型为隐语义逻辑回归模型；

采用训练后的分类模型对所述电商系统的所有用户进行分类，得到所述目标用户在所述电商系统中所有的信任用户；

根据各用户对商品的评分，确定所述目标用户的相似用户；

根据相关用户集中各用户在信任网络中的信任度以及相关用户集中各用户在商品评分系统中的评价水平确定相关用户集中各用户的权重，所述信任网络为由用户与其信任用户所组成的网络，所述相关用户集为所述目标用户的信任用户与相似用户所构成的集合；

根据相关用户集中各用户对商品的评分以及相关用户集中各用户的权重，预测目标用户对所述商品的评分；

根据预测得到的目标用户对所述商品的评分，确定是否向所述目标用户推送所述商品。

可选的，所述根据目标用户的信任用户列表以及所述电商系统的所有用户，确定与所述目标用户不存在信任关系的用户，具体包括：

确定所述目标用户的初始非信任用户，所述初始非信任用户由所述电商系统中的所有用户除去所述目标用户的信任用户得到；

从所述初始非信任用户中去除关联信任用户，得到与所述目标用户不存在信任关系的用户，所述关联信任用户为与所述目标用户具有相同的信任用户的初始非信任用户。

可选的，所述根据各用户对商品的评分，确定所述目标用户的相似用户，具体包括：