[發(fā)明專利]一種面向社交網(wǎng)絡(luò)基于云模型的推薦系統(tǒng)評分預(yù)測方法

有效

• 申請?zhí)枺?/td>: 201611189964.0
• 申請日: 2016-12-21
• 公開（公告）號: CN106650972B
• 公開（公告）日: 2021-07-13
• 發(fā)明（設(shè)計(jì)）人: 肖云鵬;孫華超;劉宴兵;劉彥馳;李唯果;張克毅
• 申請（專利權(quán)）人: 重慶郵電大學(xué)
• 主分類號: G06Q10/02
• 分類號: G06Q10/02;G06Q50/00;G06F16/9535
• 代理公司: 重慶市恒信知識產(chǎn)權(quán)代理有限公司 50102
• 代理人: 劉小紅

1.一種面向社交網(wǎng)絡(luò)基于云模型的推薦系統(tǒng)評分預(yù)測方法，其特征在于，包括以下步驟：

步驟1、獲取評論或社交網(wǎng)絡(luò)平臺上的用戶歷史評分記錄及用戶社交網(wǎng)絡(luò)關(guān)系；

步驟2、根據(jù)用戶的歷史評分記錄構(gòu)建一維評分云，采用綜合云技術(shù)融合所有一維評分云形成父云，通過父云生成新的用戶評分；

步驟3、并根據(jù)新的用戶評分對用戶進(jìn)行聚類，發(fā)現(xiàn)用戶的相似群體，并根據(jù)用戶的新評分對用戶進(jìn)行聚類，通過聚類結(jié)果來發(fā)現(xiàn)用戶的相似群體，即用戶所在類內(nèi)的其他用戶為該用戶的相似群體；

步驟4、根據(jù)被預(yù)測用戶的社交關(guān)系，對被預(yù)測用戶的相似群體構(gòu)建兩朵高維評分云，分別計(jì)算用戶歷史評分在其中的隸屬度，以此表示被預(yù)測用戶在其兩類相似群體中的位置，并基于高斯變換構(gòu)建綜合預(yù)測機(jī)制；

所述步驟4具體包括以下步驟：根據(jù)被預(yù)測用戶關(guān)注集合,把其相似群體分為好友和非好友兩部分，通過逆向云發(fā)生器分別對兩部分群體的歷史評分構(gòu)建高維云，分別計(jì)算用戶在兩朵高維云中的隸屬度；同樣通過逆向云發(fā)生器分別對兩部分群體對被推薦項(xiàng)目的評分構(gòu)建兩朵一維云，分別計(jì)算高維云中的隸屬度在一維云中的云滴，并對兩部分群體的一維云滴進(jìn)行高斯變換取其期望作為最后的預(yù)測云滴，由此云滴確定預(yù)測評分；

所述對兩部分群體的一維云滴進(jìn)行高斯變換取其期望作為最后的預(yù)測云滴包括:在用戶相似群體中，提取好友部分對被預(yù)測用戶歷史評分項(xiàng)目集合的評分，根據(jù)逆向云發(fā)生器生成高維評分云向量(Ex₁,En₁,He₁；Ex₂,En₂,He₂；…；Ex_n,En_n,He_n)，其中(Ex_n,En_n,He_n)表示好友部分對第n個項(xiàng)目的評分生成的云，根據(jù)公式計(jì)算被預(yù)測用戶在高維云中的隸屬度，其中，μ表示隸屬度，x_i表示用戶第i個評分，En'_i表示以En_i為期望，He²_i為方差的一個正太隨機(jī)數(shù)；提取好友部分對被預(yù)測項(xiàng)目的評分構(gòu)成評分云(Ex,En,He)，根據(jù)公式計(jì)算的得到兩個預(yù)測云滴，同樣的方法獲取非好友部分的預(yù)測云滴；

在獲取好友與非好友部分的四個預(yù)測云滴時，找出距離最大的兩個(x₁,μ₁)和(x₂,μ₂)，根據(jù)公式獲取高斯變換后的期望，并作為最后的預(yù)測結(jié)果。

2.根據(jù)權(quán)利要求1所述的面向社交網(wǎng)絡(luò)基于云模型的推薦系統(tǒng)評分預(yù)測方法，其特征在于，所述步驟1獲取評論或/和社交網(wǎng)絡(luò)平臺上的用戶歷史評分記錄及用戶社交網(wǎng)絡(luò)關(guān)系直接從現(xiàn)有的基于Web的研究型推薦系統(tǒng)下載或者利用成熟的社交平臺的公共API獲取。

3.根據(jù)權(quán)利要求1或2所述面向社交網(wǎng)絡(luò)基于云模型的推薦系統(tǒng)評分預(yù)測方法，其特征在于，所述步驟2構(gòu)建一維評分云，采用綜合云技術(shù)融合所有評分云形成父云，通過父云生成新的用戶評分包括以下步驟：首先，根據(jù)用戶到項(xiàng)目的評分矩陣，對每個用戶的評分使用逆向云發(fā)生器計(jì)算出評分向量(Ex,En,He),并對每個用戶構(gòu)建一維的云圖；其次，采用綜合云技術(shù)融合所有用戶的評分向量，得到父云的評分向量，并構(gòu)建父云的云圖得到評分標(biāo)準(zhǔn)；最后，通過正向云發(fā)生器得到用戶評分在自身云圖中的隸屬度，并得到在此隸屬度下父云產(chǎn)生的云滴，以此云滴確定新的評分。

4.根據(jù)權(quán)利要求3所述面向社交網(wǎng)絡(luò)基于云模型的推薦系統(tǒng)評分預(yù)測方法，其特征在于，所述步驟3采用K-means聚類方法進(jìn)行聚類，以發(fā)現(xiàn)預(yù)測用戶的真實(shí)相似群體。

5.根據(jù)權(quán)利要求3所述面向社交網(wǎng)絡(luò)基于云模型的推薦系統(tǒng)評分預(yù)測方法，其特征在于，根據(jù)用戶到項(xiàng)目的評分矩陣，對每個用戶的評分使用逆向云發(fā)生器計(jì)算出評分向量(Ex,En,He)包括；提取單個用戶的歷史評分，逆向云發(fā)生器生成評分云，根據(jù)公式計(jì)算評分云的期望向量Ex，其中x_i表示單個用戶第i個歷史評分值，根據(jù)公式計(jì)算評分云的熵向量，根據(jù)公式計(jì)算評分云的超熵向量，其中n表示單個用戶的所有評分?jǐn)?shù)量。

6.根據(jù)權(quán)利要求3所述面向社交網(wǎng)絡(luò)基于云模型的推薦系統(tǒng)評分預(yù)測方法，其特征在于，所述采用綜合云技術(shù)融合所有用戶的評分向量，得到父云的評分向量，并構(gòu)建父云的云圖得到評分標(biāo)準(zhǔn)包括：所有用戶中，取期望值最近的兩個用戶的評分云，令其為C₁(Ex₁,En₁,He₁)和C₂(Ex₂,En₂,He₂)，根據(jù)公式獲取父云的期望向量，根據(jù)公式En＝En'₁+En'₂獲取父云的熵向量，根據(jù)公式獲取父云的超熵向量，其中和分別為C₁和C₂期望曲線的取大值，融合形成這兩個用戶的父云向量為(Ex,En,He)，在剩余用戶中找到和此父云期望值最近的用戶的評分云，再次融合形成新的父云，以此類推，最終融合所有用戶的評分云，形成一朵父云。