[发明专利]融合信任不信任关系和注意力机制深度推荐方法及系统

权利要求书

1.一种融合信任不信任关系和注意力机制深度推荐方法，其特征在于，包括以下步骤：

步骤一，采用软间隔支持向量机Soft-margin SVM的方法建立社交关系预测模块，通过用户的评分和社交关系对用户的不信任关系和信任关系进行预测和补充，再结合用户的评分相似度和共同评分用户的数量，重新评估用户间的信任关系和不信任关系的权重；

步骤二，以深度学习方法为基础，建立融合注意力机制的深度推荐模型，结合用户评分信息和用户社交行为，同时根据给预测项目评过分且与用户存在社交关系的其他用户对预测项目的注意力权重，得到预测项目的预测评分；

步骤三，融合信任不信任关系和注意力机制的深度推荐模型；将用户间的信任不信任关系和注意力机制融合到信任不信任关系和注意力机制的深度推荐模型中，依据用户间的信任关系和不信任关系的权重，对注意力机制得到预测项目的预测评分进行加权融合，以改善用户对预测项目的预测评分，最终选取前N项形成推荐列表；

其中，步骤一中的用户间的信任关系E_T为用户l的行为能给用户u带来更好的影响或者结果，则用户u信任用户l；用户间的不信任关系E_D为用户u不赞成用户k所发表的大多数观点，则用户u不信任用户k；用户间的信任关系E_T和用户间的不信任关系E_D之间互为镜像；

给定用户间的不信任关系E_D和以项目为中心的用户交互矩阵A和矩阵O，其中矩阵A是用户项目作者矩阵，矩阵O是用户项目意见矩阵，用目标函数f₂来预测用户间信任关系，结合原本用户间信任关系E_T生成用户间完整信任网络G，如式（1）所示：

(1)

同时给定用户间的信任关系E_T和以项目为中心的用户交互矩阵A和矩阵O，用目标函数f₁来预测用户间不信任关系，结合原本用户间不信任关系E_D生成用户间完整不信任网络g，如式（2）所示：

(2)

其中，式（2）中的矩阵A和矩阵O分别等同于式（1）中的矩阵A和矩阵O；

步骤一中的所述采用软间隔支持向量机Soft-margin SVM的方法建立社交关系预测模块，具体步骤包括：

步骤1-1，根据社交结构平衡理论和状态理论，得到社交关系中的用户间的信任关系和不信任关系的传递关系：

使用c_ij表示u_i和u_j之间连接，其中c_ij=1 表示信任关系，c_ij = -1 表示不信任关系，则，三元组u_i, u_j, u_k 的传递结果为：

c_ij = 1且c_jk = 1，则c_ik= 1，

c_ij = -1且c_jk = -1，则c_ij = 1；

步骤1-2，对于缺少社交关系的用户对构建标签，关联用户u_i和u_j的可靠性权重W_ij如式(3)所示：

(3)

其中，Y为正样本矩阵，N为负样本矩阵，r为常数；当预测负链接时，u_i，u_j∈N具有负相互作用，则将可靠性权重定义为负关系函数f₁；如果u_i，u_j不具有相互作用，则将可靠性权重设为常数r；

步骤1-3，社交关系预测过程如下：

设Z={z₁,z₂, ..., z_N}是用户间的不信任关系E_D或者用户间的信任关系E_T中的用户对，集合z_i是用户对z_i的特征向量表示，用于社交关系预测问题的软间隔支持向量机Soft-margin SVM公式如式(4)所示：

(4)

其中，ε_i表示每个点的犯错误程度，ε_i=0表示没有错误，ε_i越大，表示错误越大；参数μ控制ε_i的影响程度；

在进行不信任预测时，针对正负样本噪声水平不同，将式（4）进一步改进为式（5）：

(5)

其中，C_y和C_n为对正负误差进行不同的加权，令C_y大于C_n，以反应正负样本间的差异行为；当仅存在单个负样本z_j时，引入权重c_j控制误差，负样本z_j对应的每一组u_i, u_k，设置c_j=W_ik，其中，W_ik为u_i, u_k可靠性权重，以对具有不同可靠性的负样本中的噪声进行差分控制；

当u_i和u_j之间存在信任关系，并且u_i和u_j与另一个用户u_k都不存在信任关系，则对于不信任网络E_D中(u_i, u_k)和(u_j, u_k)的关系类型是相同的，当u_i, u_j, u_k是平衡三元组或在u_i, u_j, u_k三元组中任意两者与另一者缺少社交关系时，为了保持结构平衡，假设两个不存在社交关系的用户之间都是不信任关系；引入矩阵B，并假设x_h和x_t分别表示u_i, u_k和u_j, u_k，当u_i和u_j之间存在信任关系，则B_ht=1，否则B_ht=0；然后引入平衡理论正则化，设B_ht=0，则x_h和x_t具有相同类型的社交关系，社交关系公式如式（6）所示：

(6)

其中，L是基于B的拉普拉斯矩阵；对于最短路径长度为2的用户对，每对用户对需要在N和Y中且满足平衡理论；假设在X中有η+μ个样本，其中前η个来自Y∪N；通过这些提出的框架能够解决以下优化问题，基于双重形式解决公式如式（7）所示：

(7)

式(7)中的优化问题存在最小化解决方案，得到式（8）如下所示：

(8)

其中，K是所有样本的格拉姆矩阵；；

将式(8)对偶问题简化后，得到最终的预测结果；

其中，步骤二中的所述融合注意力机制的深度推荐模型包括输入层、嵌入层、注意层、隐藏层和预测层，其中：

所述输入层包括用户u和预测项目p，使用统一编码将其转化为原始稀疏向量，仅记录非零二进制特征；

所述嵌入层将每个非零特征映射表示为密度向量，其中，p_u、q_p分别表示用户u和项目p的n维嵌入向量；

所述注意层处于所述输入层和所述嵌入层之间，所述注意层是为每个预测用户选择固定的有影响力的社交关系；在预测用户u对项目p的偏好时，a_ij表示给项目p评过分且与该用户存在社交关系的其他用户对项目p的注意力权重；为了方便与项目p的嵌入向量加以区分，将预测用户的嵌入向量定义为p_i，其他用户的嵌入向量定义为q_j；

将a_ij参数化为p_i和q_j作为输入的函数如式(9)所示：

(9)

这种参数化的优点在于对任意一对(i, j)，只要从数据中学习了p_i和q_j，即可用于估计注意力权重a_ij；

使用softmax函数将注意力权重转换为概率分布的形式，如式(10)所示：

(10)

其中，j∈G(i)表示用户j与用户i存在社交关系，是用户i社交网络中的一员；

所述隐藏层用于将更新后的用户表示p_u和项目表示q_p与元素式乘积合并，该乘积表示用于u和预测项目p之间的双向交互；所述隐藏层定义如式(11)所示：

(11)

其中，W_x、b_x、φ_x和e_x分别表示第x层隐藏层的权重矩阵、偏置向量、激活函数和输出向量；

所述预测层用于将所述隐藏层的输出向量转换为预测得分，一个隐藏层的输出向量e_L转换为预测得分公式如式(12)所示：

(12)

其中，w表示预测层的权重向量；

其中，步骤三中的将用户信任不信任关系和注意力机制融合到推荐模型中，得到融合信任不信任关系和注意力机制深度推荐模型TDA_DRM模型，具体计算公式如下：

用户l和用户k对第i个项目的预测评分来改善用户u对第i个项目的预测评分，改善预测评分公式如式(14)所示：

(14)

其中，表示所述隐藏层的预测评分，G_T表示用户u的信任用户网络，trust_u,l表示用户u和用户l之间的信任值，G_D表示用户u的不信任用户网络，y_l,p表示用户l对预测项目p的评分，distrust_u,k表示用户u和用户k之间的不信任值，τ表示信任关系影响权重，1-τ表示不信任关系权重。