[发明专利]一种基于信任度和专家用户的协同过滤推荐方法

权利要求书

1.一种基于信任度和专家用户的协同过滤推荐方法，其特征在于包括如下步骤：

(1)数据来源：从数据集中把用户-项目评分数据和用户-用户信任数据作为数据样本，通过五次交叉验证将数据划分为训练集和测试集；

(2)用户信任值计算：采用融合项目数量和皮尔逊相关系数来计算用户之间的信任值；

(3)专家选取：综合考虑全局信任度、用户活跃性以及用户评分差异性来计算用户成为专家的可能性，选取可能性最大的几个用户当作是专家；

(4)基于信任度和专家用户的协同过滤推荐方法：将新计算的用户信任值来代替传统的二值信任关系以便提高推荐质量；将选出来的专家添加到用户-用户信任列表，一方面降低信任列表的稀疏性，另一方面有效降低了用户冷启动问题。

2.根据权利要求1所述的一种基于信任度和专家用户的协同过滤推荐方法，其特征在于，所述数据集为Film Trust和Ciao DVD推荐系统数据集。

3.根据权利要求1所述的一种基于信任度和专家用户的协同过滤推荐方法，其特征在于，所述用户信任值计算分为两部分：

第一部分：先统计用户u和用户v各自评过分的项目数量，再统计用户u和用户v共同评过分项目的数量，得到用户u对用户v的评分物品相关度：

式(1)中I_u和I_v分别表示用户u和用户v评过分的项目，conf_u,v代表用户u和用户v共同评分的项目数量和用户u评分的项目数量之比；

第二部分：进行皮尔逊相关系数计算：

式(2)中r_u,j表示用户u对项目j的评分，表示用户u的平均评分，r_v,j表示用户v对项目j的评分，表示用户v的平均评分；

最终得到用户的信任值：

即上式3表示信任值的最终计算。

4.根据权利要求1所述的一种基于信任度和专家用户的协同过滤推荐方法，其特征在于，选取专家用户的具体做法如下：

用户的全局信任度使用global(u)表示，在社交网络中，如果用户被信任的次数越多，则全局信任度就越大，则此用户成为专家的可能性越大，用公式来表示：

式(4)中max和min分别为社交网络中用户入度的最大值和最小值，k是用户u的入度，代表用户u被其他用户信任的次数；

用户的活跃性使用Activity_u表示，活跃性通过用户对物品的评分数量来刻画，评分数量多说明用户在系统中越活跃，用户u的活跃性表示为：

其中N_u表示用户u对物品的评分数量；

用户的评分差异性使用Differences_u表示，用户对不同的物品评分值有差异，如果同一用户对不同物品的评分值差异越大，那么表明该用户表达自己的想法很客观；如果同一用户对不同物品的评分差异不大，则不能体现用户对物品的客观评价，专家用户的评分差异性应该越大越好，利用用户对物品的评分值方差来度量用户u的评分差异性，计算公式为：

最终得到用户成为专家的可能性：

根据效果选择前几个最大可能性作为专家用户填充信任列表。

5.根据权利要求1所述的一种基于信任度和专家用户的协同过滤推荐方法，其特征在于，所述将新计算的用户信任值来代替传统的二值信任关系以便提高推荐质量，传统的做法都是把用户之间的{0,1}二值信任关系作为将要拟合的值，在本方法中，对信任关系进行量化将其转化为[0,1]值，更精确的表明用户之间的信任程度。

6.根据权利要求1所述的一种基于信任度和专家用户的协同过滤推荐方法，其特征在于，将选出来的专家添加到用户-用户信任列表，在社交网络中，冷启动用户对于环境而言是陌生的，会跟随专家用户的喜好，通过专家用户的选取并将其填充到信任数据中，能更好的表示专家用户作用于普通用户的影响。