[发明专利]基于半监督学习的稀疏信任推荐方法

说明书

本发明涉及信任管理领域、互联网，为提出新的推荐方法，提高推荐的高效性，准确度。为此，本发明采取的技术方案是，基于半监督学习的稀疏信任推荐方法，将影响信任建立的因素分解为相似性、一致性、可靠性、客观性这四个因子，之后利用直推式支持向量机TSVM用以结合所述四个因子，进而挖掘用户之间的稀疏信任；通过共享相同的用户特征空间将社会信任与稀疏信任合并到奇异值分解SVD++推荐模型当中，并通过信任平衡参数α来控制稀疏信任与社会信任之间的比重，进而利用改进的奇异值分解推荐模型最终实现推荐。本发明主要应用于互联网推荐场合。

技术领域

本发明涉及信任管理领域、互联网，具体涉及基于半监督学习的稀疏信任推荐方法。

背景技术

推荐系统在大型电子商务网站中扮演着越来越重要的角色。推荐系统的兴起与互联网的飞速发展息息相关。为满足数据量的不断增大以及用户需求的不断提升，推荐系统也在逐步发展并日趋成熟。随着推荐系统的不断发展，其研究内容可以分为三类：基于内容的推荐模型，基于协同过滤的推荐模型，混合推荐模型。协同过滤算法在推荐系统中得到了广泛的应用，并取得了巨大的成功。利用现有的评价数据，协同过滤算法可以有效地预测用户的偏好。简单来说，协同过滤就是利用相似群体的喜好来为目标用户提供可能感兴趣的信息。虽然在大数据环境下协同过滤算法拥有较高的推荐准确性，但是推荐系统始终面临两大问题：冷启动和评价数据稀疏。这些问题大大降低了推荐系统的性能。信任在推荐系统中被广泛应用以提高预测精度。通过提供有关用户交互的附加信息，信任可以帮助我们缓解冷启动和评价数据稀疏性问题。人们相信用户很容易受到他们信任的人的影响。基于这一现象，很多工作已经研究了如何利用现有的信任信息有效地提高了推荐系统的准确性。然而，在利用信任信息提高推荐系统的准确性方面还存在一些问题。

如上所述，不仅是评分数据，信任数据同样面临着数据稀疏的问题。这意味着系统没有积累到足够的信任信息来提高推荐性能。通常，一个系统拥有着大量的用户，但是可使用的信任数据却寥寥无几。因为，目前而言，除社交平台外，其他平台用户并不是热衷于标记出自己的信任用户或者朋友用户。这也导致有很多用户有相似的偏好和行为，但是他们的信任信息被大数据噪声所覆盖，因为他们并没有机会接触到彼此并进行标记。

目前对于信任的研究，一般将信任分为两种状态，即显式信任(explicit trust)与隐式信任(Implicit trust)。

1.所谓的显式信任即为系统可获取的用户自主标记的信任关系。显式信任的利用较为广泛，但是其来源或者建立原因较为复杂。而用户之间潜在的信任关系，多被称为隐式信任关系。

2.不同于显式信任关系，隐式信任关系不是用户自主标记的，而是通过对数据的分析所建立的信任关系。关于如何挖掘用户之间的隐性信任，已有很多很多工作进行了研究。

3.稀疏信任是一种特殊的隐式信任，稀疏信任关系更能体现出在推荐系统环境中用户之间行为和偏好的相似性。

到大多数研究都是基于社会信任的。社会信任的建立受到家庭关系、工作关系等诸多社会因素的影响。然而，由于社会因素而建立信任关系的用户的行为相似性可能很低。因此，社会因素影响下的信任在推荐系统中的作用非常有限。

发明内容

为克服现有技术的不足，本发明旨在提出新的推荐方法，提高推荐的高效性，准确度。为此，本发明采取的技术方案是，基于半监督学习的稀疏信任推荐方法，将影响信任建立的因素分解为相似性、一致性、可靠性、客观性这四个因子，之后利用直推式支持向量机TSVM用以结合所述四个因子，进而挖掘用户之间的稀疏信任；通过共享相同的用户特征空间将社会信任与稀疏信任合并到奇异值分解SVD++推荐模型当中，并通过信任平衡参数α来控制稀疏信任与社会信任之间的比重，进而利用改进的奇异值分解推荐模型最终实现推荐。

所述四个因子具体定义如下：

1)相似性即用户们之间偏好的共性，采用杰卡德相似系数来计算用户们之间的相似性，如公式(1)所示：