[發明專利]一種基于信任相關度的快速矩陣分解推薦方法及系統

有效

• 申請號: 202010428608.X
• 申請日: 2020-05-20
• 公開（公告）號: CN111626819B
• 公開（公告）日: 2023-04-28
• 發明（設計）人: 肖曉麗;談東;田劍;竺笈;孫倩
• 申請（專利權）人: 長沙理工大學
• 主分類號: G06Q30/0601
• 分類號: G06Q30/0601;G06Q30/0201
• 代理公司: 長沙國科天河知識產權代理有限公司 43225
• 代理人: 董惠文

本發明公開一種基于信任相關度的快速矩陣分解推薦方法，包括從社交圈中獲取目標用戶與信任用戶的信任程度和相似度，根據信任程度和相似度，構建信任模型；獲取目標用戶在社交圈中的交互信息，根據交互信息計算信任用戶的信任可靠度，利用信任可靠度修正社交正則模型，獲得優化社交正則模型；根據信任模型和優化社交正則模型，構建推薦模型；利用快速矩陣分解算法對推薦模型進行求解，獲得推薦列表。本發明提供的方法相比現有的方法精度更高、速度更快，可滿足用戶的個性化需求。

技術領域

本發明涉及推薦系統技術領域，尤其是一種基于信任相關度的快速矩陣分解推薦方法及系統。

背景技術

推薦系統是一種特殊的信息過濾技術，簡單來說，推薦系統依據用戶行為數據，比如購買、點擊、收藏、點贊和分享等行為對用戶、項目關系進行建模，預測用戶可能喜愛但是未購買的商品。推薦系統一邊收集各類用戶數據，一邊分析這類數據以為用戶提供推薦列表。推薦系統廣泛應用于電商，新聞日推等領域。

協同過濾推薦算法是誕生最早并且較為著名的推薦算法，其主要功能是預測和推薦。協同過濾推薦算法通過對用戶歷史行為數據進行挖掘發現用戶的偏好，基于不同的偏好對用戶進行群組劃分并推薦品味相似的商品。用矩陣分解做協同過濾是推薦領域中廣泛使用的方法，基于矩陣分解的推薦方法的思想是：選取用戶與項目之間的一種交互行為，將該交互行為數值化之后生成用戶與項目的交互矩陣。矩陣分解通過分析用戶和物品構成的評分矩陣，期望為每一個用戶和物品生成一個隱向量，將用戶和物品定位隱向量的表示空間上，距離相近的用戶和物品表明興趣特點接近，在推薦的過程中，就把距離相近的物品推薦給用戶。傳統推薦算法中近鄰模型存在著物品之間存在相關性，信息量并不是隨著向量維度增加而線性增加并且矩陣元素稀疏，增減一個向量維度，導致緊鄰結果差異很大，而矩陣分解能很好地解決這些問題。但是傳統的矩陣分解算法的可用數據是十分單一的，用戶的評分數據甚至會到達99％的稀疏性，因此僅僅從此評分數據中構建推薦模型，雖有一定的推薦準確率，但在實際應用中，很難達到預期的推薦效果。

發明內容

本發明提供一種基于信任相關度的快速矩陣分解推薦方法及系統，用于克服現有技術中推薦精度低等缺陷。

為實現上述目的，本發明提出一種基于信任相關度的快速矩陣分解推薦方法，包括：

從社交圈中獲取目標用戶與信任用戶的信任程度和相似度，根據所述信任程度和所述相似度，構建信任模型；

獲取目標用戶在社交圈中的交互信息，根據所述交互信息計算所述信任用戶的信任可靠度，利用所述信任可靠度修正社交正則模型，獲得優化社交正則模型；

根據所述信任模型和所述優化社交正則模型，構建推薦模型；利用快速矩陣分解算法對所述推薦模型進行求解，獲得推薦列表。

為實現上述目的，本發明還提出一種基于信任相關度的快速矩陣分解推薦系統，包括：

信任模型構建模塊，用于從社交圈中獲取目標用戶與信任用戶的信任程度和相似度，根據所述信任程度和所述相似度，構建信任模型；

社交正則模型優化模塊，用于獲取目標用戶在社交圈中的交互信息，根據所述交互信息計算所述信任用戶的信任可靠度，利用所述信任可靠度修正社交正則模型，獲得優化社交正則模型；

推薦模塊，用于根據所述信任模型和所述優化社交正則模型，構建推薦模型；利用快速矩陣分解算法對所述推薦模型進行求解，獲得推薦列表。

為實現上述目的，本發明還提出一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執行所述計算機程序時實現上述所述方法的步驟。

與現有技術相比，本發明的有益效果有：