[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

说明书

本发明公开了一种融合信任不信任关系和注意力机制深度推荐方法及系统。首先，建立用户信任网络与不信任网络，通过现有的用户评分和社交关系，预测用户间信任关系与不信任关系，使运用到融合信任不信任社交关系和注意力机制的深度推荐模型(TDA_DRM)中的信任值和不信任值更为精准可靠。然后，以深度学习方法为基础，融合注意力机制，不仅考虑了传统方法中用户评分信息对推荐结果的影响，还充分挖掘用户社交行为，为用户选择固定有影响力的社交关系，使评分结果更为精确。最后，将用户信任不信任关系和注意力机制融合到推荐模型中，使得推荐结果可解释性更强。

技术领域

本发明涉及信息推荐技术领域，具体涉及一种基于融合信任不信任关系和注意力机制深度推荐方法及系统。

背景技术

随着互联网信息技术的迅猛发展，搜索引擎、即时通讯、电子商务等网络业务日益壮大，互联网用户的数量也在急剧增长，网络信息服务已经融入到人们生活的各个方面。产品和服务的提供严重限制了以人为基础的解决方案的实用性，例如，越来越多人喜欢向朋友寻求建议或从评论和论坛中获取专家意见，这造成大量的数据冗余和信息过载。而推荐系统的出现则可以有效地帮助用户解决以上信息过载问题。

结合社交信任关系的推荐算法是有效解决数据稀疏性问题的有效手段之一。信任关系是推荐系统的一项重要维度。首先，人们更易受具有相同观念或信任对象的影响，而不是选择缺乏说服力的广告；其次，人们会选择与自己有相同或相似兴趣爱好的人成为好友。本质上，信任提供了除用户评分以外的其它信息，通过这些信息可以更好地对用户偏好进行建模，替代或者补充用户的相似项目评分。有许多学者都对信任关系进行深入研究，但同时，与信任关系相对的不信任关系却被许多学者所忽视。

目前考虑社交关系的推荐算法还存在一些不足：一方面，虽然深度学习算法能挖掘用户的隐藏信息，但由于深度学习本身的缺陷，模型的可解释性不强，信任度量的准确性仍存在问题；另一方面，目前大多数学者基本上致力于信任关系的研究，对基于不信任关系的推荐研究还比较少。

发明内容

有鉴于此，有必要提供一种将融合注意力机制的深度模型与社交关系相结合，考虑用户的信任关系和不信任关系与用户的偏好，对于存在社交关系的用户赋予不同的注意力权重，为用户寻找固定有影响力的社交关系进行评分预测，再结合社交关系对预测评分进行改善的融合信任不信任关系和注意力机制深度推荐方法及系统。

一种融合信任不信任关系和注意力机制深度推荐方法，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。