[发明专利]一种融合信任因素的个性化推荐模型及构建方法

权利要求书

1.一种融合信任因素的个性化推荐模型的构建方法，其特征在于：包括以下步骤：

S1：为计算用户相似度，构建用户-产品评分矩阵，并在此基础上利用Pearson相关系数初步计算评分相似度；

S2：运用信任度量模型计算用户之间的信任相似度；

S3：设定参数值将两种相似度融合得到最终相似度计算公式；

S4：通过模拟退火算法计算最优参数组合；

S5：利用融合后的相似度计算公式得出目标用户的近邻用户，然后代入评分计算公式得出目标用户对某项产品的预测评分，根据评分高低进行排序推荐，即实现TOP-N推荐；

所述S1通过选取相似度计算公式，构建评分相似度矩阵，将选取的Pearson相关系数公式与用户-产品评分矩阵结合，转换得到公示如下：

该公式左边代表两个用户之间的评分相似度，右边分子中的第一个因式代表该用户对某项产品的评分与对所有产品的平均评分差，第二个因式则代表某近邻用户对同一产品的评分与对所有产品的平均分的评分差；

通过该公式计算得到的相似度矩阵；

所述S2信任相似度的计算，采用用户评分矩阵的方法，用B_u表示用户u的评分产品集，B_v表示用户v的评分产品集，B_m表示与用户v具有最多共同评分产品的共同评分交集，B_u∩B_v表示用户u和用户v的共同评分农产品的交集；

令T(u，v)表示用户u和用户v之间的信任关系，即用户u信任用户v的程度，信任度表示公式如下：

所述S3在计算出评分相似度、信任相似度后，将二者通过设定参数相加得到融合后的用户相似度，令Sim_new(u,v)表示融合后用户U、V的相似度，具体公式见公式：

Sim_new(u,v)＝αSim(u,v)+(1-α)T(u,v)；

所述S4通过模拟退火算法计算最优参数组合，融合相似度模型中的模拟退火算法包括步骤：

a、获取数据集，对数据集进行清洗处理；

b、获取客户之间的trust值以及找出对应的Pearson相关系数；

c、写出计算预测评分程序，即利用本章所构建模型计算预测评分与实际评分差值的MAE、MSE；

d、初始化参数，设定最终返回结果为最小MAE值，设定每次降温迭代次数、阶跃因数以及初始温度；

e、运行以及不断迭代，得出使得MAE值最小的α参数的值，即为本模型最优参数；

所述S5TOP-N推荐，针对有历史记录的用户，首先通过融合相似度的计算得出近邻用户，再通过公式计算出目标用户对产品的预测评分，根据预测评分排名进行顺序推荐，具体公式见公式如下：

此公式左边代表预测用户U对某项目的评分，公式右边第一部分为用户U对各项目的历史平均评分，第二项为根据邻居用户对该项目的评分对用户U评分的调整，

将评分较高的产品进行推荐，即TOP-N推荐。