[发明专利]基于信任扩展和列表级排序学习的服务推荐方法

摘要

本发明涉及一种基于信任扩展和列表级排序学习的服务推荐方法，首先利用服务排序位置信息并借鉴Plackett‑Luce模型，将每个用户表示为已调用服务集合排列的概率分布，基于KL距离进行概率型用户相似度的计算；同时考虑用户间的直接信任关系和间接信任关系，利用Beta信任模型计算直接信任度，利用信任关系的传递特性计算间接信任度，得到综合信任度，构造出目标用户的可信邻居集合；将可信邻居集合融入到矩阵分解模型中，将预测排序列表和正确排序列表之间的交叉熵作为损失函数，设计列表级排序学习算法得到最优的排序模型，输出最符合用户兴趣的推荐列表。本发明具有较高的推荐准确性，能够在保证服务推荐质量的同时还最大程度地满足用户潜在的功能需求。

主权项

一种基于信任扩展和列表级排序学习的服务推荐方法，其特征在于，包含可信邻居集合建立阶段和服务排序学习阶段，其中，可信邻居集合建立阶段中，根据已知的用户服务调用数据集，确定目标用户、其他用户集合及目标用户的直接信任集合，针对目标用户和其他用户集合中的任一用户，该任一用户记为其他用户，执行如下内容：A)、通过Plackett‑Luce模型将目标用户和其他用户表示为已调用服务集合的概率分布，并计算目标用户与其他用户的概率型相似度；B)、利用信任扩展模型挖掘目标用户与其他用户之间的信任关系，该信任关系包括直接信任关系和间接信任关系，结合目标用户与其他用户的概率型相似度获取两者之间的可信相似度；对目标用户和其他用户集合中其他用户之间的可信相似度进行排序，获取可信邻居集合；服务排序学习阶段中，根据已知训练数据集，将已知训练数据集中用户评分矩阵分解为用户隐含特征矩阵和服务隐含特征矩阵，并结合可信邻居集合预测服务QoS值，通过排序学习模型对服务排序列表进行训练学习，获取目标用户最佳服务推荐列表。