[發(fā)明專利]一種融合社交影響和項(xiàng)目關(guān)聯(lián)的個(gè)性化推薦方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010166298.9
• 申請(qǐng)日: 2020-03-11
• 公開（公告）號(hào): CN111400612B
• 公開（公告）日: 2022-10-18
• 發(fā)明（設(shè)計(jì)）人: 張功國(guó);黃浩;張為易
• 申請(qǐng)（專利權(quán)）人: 重慶郵電大學(xué)
• 主分類號(hào): G06F16/9536
• 分類號(hào): G06F16/9536
• 代理公司: 重慶市恒信知識(shí)產(chǎn)權(quán)代理有限公司 50102
• 代理人: 陳棟梁

1.一種融合社交影響和項(xiàng)目關(guān)聯(lián)的個(gè)性化推薦方法，其特征在于，包括以下步驟：

步驟一：獲取用戶社交數(shù)據(jù)和用戶評(píng)分?jǐn)?shù)據(jù)，計(jì)算得到用戶的社交影響力和用戶間的相似度，從而得出用戶影響力值；

步驟二：根據(jù)用戶影響力值對(duì)信任用戶潛在特征向量進(jìn)行指數(shù)約束，增強(qiáng)親密好友的信任關(guān)系，建立用戶影響力潛在信任特征向量；

步驟三：利用用戶評(píng)分?jǐn)?shù)據(jù)對(duì)項(xiàng)目間進(jìn)行關(guān)聯(lián)計(jì)算，獲取項(xiàng)目間的關(guān)聯(lián)值，從而構(gòu)建項(xiàng)目關(guān)聯(lián)矩陣；

步驟四：在概率矩陣分解中利用用戶影響力和項(xiàng)目關(guān)聯(lián)信息進(jìn)行聯(lián)合推薦；

所述步驟一中分別利用輸入的用戶社交關(guān)系數(shù)據(jù)和用戶評(píng)分?jǐn)?shù)據(jù)構(gòu)建用戶的社交影響力和用戶間的相似度，線性組合兩者構(gòu)建用戶的影響力矩陣，其計(jì)算公式如下：

f(u,v)＝asim(u,v)+(1-a)PR(u) (1)

式中，sim(u,v)表示用戶u和用戶v的相似度，代表著用戶間的相互影響力，PR(u)表示用戶u在社交網(wǎng)絡(luò)中的個(gè)人影響力，f(u,v)表示用戶u對(duì)用戶v的影響力，定義一個(gè)權(quán)重a來表示兩者所占的比重，為了權(quán)衡用戶間的影響力和社交網(wǎng)絡(luò)中的個(gè)人影響力，這里將a設(shè)置為0.4；

所述用戶間的相似度、用戶的社交影響力分別為：

定義用戶間的相似度度量公式如下：

式中，I_uv表示用戶u和用戶v都評(píng)分過的項(xiàng)目的結(jié)合，r_ui表示用戶u對(duì)項(xiàng)目i的評(píng)分值，表示用戶u的平均評(píng)分值，r_vi表示用戶v對(duì)項(xiàng)目i的評(píng)分值，表示用戶v的平均評(píng)分值；

定義用戶的社交影響力度量公式如下：

式中,PR(u)表示用戶u在社交網(wǎng)絡(luò)中的個(gè)人影響力，d為阻尼系數(shù)，表示用戶訪問當(dāng)前節(jié)點(diǎn)所提供的鏈接的概率，取值為0.85，(1-d)表示用戶隨機(jī)訪問下一節(jié)點(diǎn)的概率，N表示為用戶數(shù)量；

所述步驟二中根據(jù)用戶影響力對(duì)信任用戶潛在因子特征向量進(jìn)行改進(jìn)，增強(qiáng)親密好友的信任關(guān)系，建立用戶影響力潛在信任特征向量，具體包括以下步驟：

(1)計(jì)算社交網(wǎng)絡(luò)中用戶的特征向量u公式如下：

式中，U_u表示用戶u潛在特征向量，U_v表示用戶v的潛在特征向量，T_u,v表示社交用戶u對(duì)用戶v的信任值，是一個(gè)二進(jìn)制值，取值為[0,1]，N_u表示用戶u直接鏈接出去的用戶集合；

(2)根據(jù)用戶的特征向量得到用戶的特征條件分布的公式如下：

式中，為信任用戶的特征條件分布，T表示用戶的社交關(guān)系矩陣，T_u,v表示社交用戶u對(duì)用戶v的信任值，是一個(gè)二進(jìn)制值，取值為[0,1]，表示用戶U服從均值為0，方差為的高斯分布，I是一個(gè)指示函數(shù)，若用戶對(duì)項(xiàng)目進(jìn)行評(píng)分，則為1，否則為0；

(3)利用用戶影響力來改進(jìn)用戶潛在偏好特征向量公式如下：

式中，f(u,v)表示用戶u對(duì)用戶v的影響力，表示用戶u潛在特征向量；

(4)用戶影響力信任的特征條件分布公式如下所示：

式中，為用戶影響力信任的條件分布，m表示評(píng)分矩陣中用戶數(shù)量，表示用戶U服從均值為0，方差為的高斯分布，將用戶影響力應(yīng)用到信任模型中有助于加強(qiáng)親密好友的推薦；

所述步驟三中使用評(píng)分?jǐn)?shù)據(jù)對(duì)項(xiàng)目進(jìn)行關(guān)聯(lián)計(jì)算，獲取項(xiàng)目間的關(guān)聯(lián)值，構(gòu)建關(guān)聯(lián)矩陣，具體步驟為：

(1)項(xiàng)目間的關(guān)聯(lián)度計(jì)算公式如下：

C_i,j＝βsim_r(i,j)+(1-β)sim_a(i,j) (8)

式中，sim_r(i,j)表示項(xiàng)目間的評(píng)分相似度，sim_a(i,j)表示項(xiàng)目間的屬性相似度；C_i,j表示項(xiàng)目的綜合相似度，定義一個(gè)權(quán)重關(guān)系β來表示二者所占的比重，為了權(quán)衡項(xiàng)目間的評(píng)分相似和屬性相似，這里將β設(shè)置成0.5；

(2)根據(jù)項(xiàng)目間的關(guān)聯(lián)度構(gòu)建項(xiàng)目關(guān)聯(lián)矩陣的計(jì)算公式如下：

式中，n表示項(xiàng)目數(shù)，g(x)＝1/(1+exp(-x))是邏輯回歸函數(shù)，用來限定預(yù)測(cè)值V_iV_j在范圍[0,1]內(nèi)，當(dāng)C_i,j≠0時(shí)，否則為0，是指示函數(shù)，表示推薦項(xiàng)目V_i和V_j的特征關(guān)聯(lián)關(guān)系；

所述步驟四中在概率矩陣分解中利用社交網(wǎng)絡(luò)中的用戶影響力信息和評(píng)分?jǐn)?shù)據(jù)R中的輔助信息進(jìn)行聯(lián)合推薦，其計(jì)算公式如下：

2.根據(jù)權(quán)利要求1所述的一種融合社交影響和項(xiàng)目關(guān)聯(lián)的個(gè)性化推薦方法，其特征在于，所述項(xiàng)目間的評(píng)分相似度、屬性相似度分別為：

定義項(xiàng)目間的評(píng)分相似度值度量公式如下：

式中，r_ui表示用戶u對(duì)項(xiàng)目i的評(píng)分值，表示項(xiàng)目i的平均值，r_uj表示用戶u對(duì)項(xiàng)目j的評(píng)分值，表示項(xiàng)目j的平均值，sim_r(i,j)表示項(xiàng)目i和項(xiàng)目j的評(píng)分相似度值；

定義項(xiàng)目間的屬性相似度值度量公式如下：

式中，V_ik表示項(xiàng)目i在k個(gè)屬性上的值，sim_a(i,j)表示項(xiàng)目i和項(xiàng)目j的屬性相似度。