[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

说明书

本发明提出了一种基于信任度和专家用户的协同过滤推荐方法。涉及推荐方法领域，该方法将评分信息、信任信息和专家用户集成到推荐模型中，减少了数据稀疏性和冷启动问题。信任值通过用户相似度和评分物品相关度计算获得；专家用户通过全局信任度、活跃性、评分差异性来选取；将专家填充到信任列表中，扩充信任关系，缓解其稀疏性和冷启动问题；用信任值代替二值信任关系，有效的提高推荐系统的准确度。经实验验证，该方法在评价指标(MAE和RMSE)上优于现有社会化推荐算法。

技术领域

本发明属于推荐算法和社交网络领域，具体地，一种基于信任度和专家用户的协同过滤推荐方法。

背景技术

随着互联网技术的快速发展和在线服务的普及，人们获取的信息呈现爆炸式增长的态势，这给人们的生活带来很大的便利，但大量冗余的数据干扰了人们对所需信息的选择，这就是信息过载问题。如何从海量数据中快速有效地获取所需的信息变得越来越困难。信息检索技术虽能在一定程度上解决信息过载问题，但它提供的更多的是用户主动去茫茫大海中打捞所需数据，无法实现用户的个性化需求，而推荐算法作为一种重要的信息过滤技术，是解决“信息过载”问题的有效手段，现已成为了当今学术研究的热点问题。推荐系统根据用户的历史行为如需求、兴趣、点击、收藏等，通过推荐算法向用户提供可能感兴趣的产品和信息。对用户而言，推荐算法能帮助用户在海量信息中快速寻找到自己所需信息；对商家而言，推荐算法能帮助其更好的把商品销售给特定的用户，增强用户的忠诚度。目前，推荐系统在众多应用领域中取得了较大进展，包括电子商务(如淘宝、京东)、社交网络(如腾讯、Twitter)、新闻推送(如今日头条，Google News)等。

目前，协同过滤算法是应用最广泛的推荐技术之一。协同过滤算法只需要用户与项目之间的交互信息，而不需要用户之间、项目之间的信息，其通常是利用用户的历史数据进行建模，但由于存在数据稀疏的问题，导致了协同过滤算法不能准确地根据用户的评分数据计算用户之间或项目之间的相似性，从而影响算法的推荐性能。为了解决数据稀疏的问题，一些学者提出挖掘数据中的隐式反馈信息来提高推荐算法处理数据稀疏问题的能力。在推荐系统中，新用户和新项目相关的评分数据较少，协同过滤算法不能准确地找到相似的用户或项目，不能为新注册用户推荐合适的项目，为了解决这类冷启动问题，一些研究者提出利用用户与用户间的社交关系进行建模，提出很多社会化推荐算法，可以有效地提升推荐性能。人们在生活中作出某种选择之前会听取朋友的意见，选择结果常常受到朋友的影响。随着互联网技术的飞速发展，目前已有很多网站建立了用户之间的社交关系网络。已有研究表明，合理利用用户的社交关系，可以有效缓解冷启动问题，进而产生更多有意义的推荐。

社会化推荐算法在解决冷启动问题时不仅利用了用户-物品评分信息，还结合了用户间的社交关系信息。对于一个新用户，只要社会网络中存在与此用户有直接或间接社交关系的用户，就可以根据这种社交关系和已知用户的评分信息，进而对新用户产生推荐。

发明内容

针对现推荐算法存在冷启动问题和数据稀疏性问题，本发明的目的是在于提供一种基于信任度和专家用户的协同过滤推荐方法，本发明通过从用户-项目评分信息、用户-用户信任关系信息中挖掘出用户之间的信任程度以及专家信息，降低了传统推荐方法中信任数据稀疏性问题以及用户冷启动问题，提高了推荐质量。

为实现上述目的，本发明采用以下技术方案：

一种基于信任度和专家用户的协同过滤推荐方法，包括如下步骤：

(1)读取数据集数据，利用5-折交叉验证方法得到训练集和测试集；

(2)构建用户-项目评分矩阵，并对评分值进行归一化处理；

(3)构建用户-用户信任矩阵；

(4)计算用户平均评分值；

(5)计算社交网络中每个用户的入度；