[发明专利]一种基于社交信任和标签语义相似度的PMF推荐方法

说明书

本发明公开了一种基于社交信任和标签语义相似度的PMF推荐方法，属于信息处理技术领域。其包括：初始化用户潜在特征矩阵和项目潜在特征矩阵；计算用户之间的信任值，确定每个用户的可信用户集；计算项目之间相似度，确定每个项目的可信项目集；迭代计算，得到最终的用户潜在特征矩阵、项目潜在特征矩阵以及损失函数值；根据用户‑项目评分预测矩阵向用户推荐项目。本方法基于用户和对物品特征进行评分预测的推荐模型进行改进，增加了用户交互行为以及项目之间的关系表达，挖掘用户评分以外社交关系和标签信息，增强了推荐模型的鲁棒性以及个性化适应能力。

技术领域

本发明涉及信息处理技术领域，特别是指一种基于社交信任和标签语义相似度的PMF推荐方法。

背景技术

随着互联网逐渐融入人们的日常生活，传统的搜索引擎已经无法满足人们的需求，为了快速并准确地预测用户的喜好，推荐系统扮演了一个很重要的角色，帮助用户能够在海量的数据中寻找自己喜欢的物品。近年来涌现了如Facebook、Twitter、微博等大批的社交网络平台，用户时常在社交平台上进行在线交流和信息分享活动。便捷的社交媒体使得网络用户之间交互地更加频繁，这使得用户在现实生活中的社交关系逐渐向社交网络转变，通常情况下，一个人的喜好很容易受到其好友的影响，那么用户在社交网络上的行为会直接或间接影响其在Web上的行为。用户之间的偏好如果越相似，那么他们两个的信任度便越高。社交网络已经被作为推荐系统的良好信息资源，信任信息的整合可以有效缓解冷启动问题。在许多社交系统中，用户不仅会分享自己的偏好信息，还会给感兴趣的内容贴上各种标签。标签信息不仅可以看出用户的喜好，还可以是直接反映出项目的具体描述内容，可以是有趣和有用的信息，因此，标签可以是非常重要辅助信息，可以用来增强推荐系统的性能。标签信息的深度挖掘对于人们快速、准确地获取所需内容具有重要意义。

然而，目前的推荐系统仍然面临以下问题：

(1)现阶段推荐系统的推荐主要以采集用户的评分数据为主，但是由于有些用户出于不愿意泄露自己的隐私的担忧或者不愿意浪费自己的时间因此不愿意留下评分，从而导致数据的稀疏性。

(2)概率矩阵分解模型(Probabilistic Matrix Factorization，PMF)因具有推荐精度高、可扩展等特点，在推荐系统中取得了一定的成果。但是，PMF是基于用户-项目评分，其忽略了用户以及项目之间的隐含联系和区别，因而面临数据稀疏和冷启动的问题。

(3)传统的推荐方法没有过多的考虑用户的社交关系和标签信息，现有的推荐算法大多采用0-1两值信任，不能准确描述用户之间的信任程度。而对于标签信息的处理，并没有充分挖掘标签的语义信息。

发明内容

有鉴于此，本发明提出一种基于社交信任和标签语义相似度的PMF推荐方法，该方法融合了用户社交信任和项目标签语义相似度，可以利用隐式交互信息来进行预测推荐，能够增强推荐模型的鲁棒性以及个性化适应能力。

基于上述目的，本发明提供的技术方案是：

一种基于社交信任和标签语义相似度的PMF推荐方法，包括以下步骤：

步骤1，初始化用户潜在特征矩阵和项目潜在特征矩阵；

步骤2，计算用户之间的信任值，确定每个用户的可信用户集；

步骤3，计算项目之间相似度，确定每个项目的可信项目集；

步骤4，迭代执行步骤4.1-4.4，得到最终的用户潜在特征矩阵、项目潜在特征矩阵以及损失函数值；

步骤4.1，根据信任值和可信用户集，构建用户潜在特征矩阵；

步骤4.2，根据相似度和相似项目集合，构建项目潜在特征矩阵；

步骤4.3，计算本次迭代对应的损失函数值，并更新用户潜在特征矩阵和项目潜在特征矩阵；