[發明專利]基于半監督學習的稀疏信任推薦方法

在審

• 申請號: 202110360307.2
• 申請日: 2021-04-02
• 公開（公告）號: CN113065918A
• 公開（公告）日: 2021-07-02
• 發明（設計）人: 聶鵬麗;許光全;吳斌;趙煜陽;王煒喆;馮美琪
• 申請（專利權）人: 天津大學
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06F16/9536;G06K9/62
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 劉國威

1.一種基于半監督學習的稀疏信任推薦方法，其特征是，將影響信任建立的因素分解為相似性、一致性、可靠性、客觀性這四個因子，之后利用直推式支持向量機TSVM用以結合所述四個因子，進而挖掘用戶之間的稀疏信任；通過共享相同的用戶特征空間將社會信任與稀疏信任合并到奇異值分解SVD++推薦模型當中，并通過信任平衡參數α來控制稀疏信任與社會信任之間的比重，進而利用改進的奇異值分解推薦模型最終實現推薦。

2.如權利要求1所述的基于半監督學習的稀疏信任推薦方法，其特征是，所述四個因子具體定義如下：

1)相似性即用戶們之間偏好的共性，采用杰卡德相似系數來計算用戶們之間的相似性，如公式(1)所示：

其中I_u和I_v分別表示用戶u和用戶v所評級過的物品的集合，其中I_u∩I_v為用戶u和用戶v評價過物品的交集，而I_u∪I_v為用戶u和用戶v評價過物品的并集；

2)一致性指的是施信者與受信者之間評價習慣與評價指標的綜合性考量指標，計算公式如(2)所示：

其中和分別表示用戶u和用戶v的在所有項目上的平均評分。

3)可信度是指對用戶行為的評價是否誠實，可信性由公式(3)計算：

其中C₁表示了用戶v評分習慣的波動性；C₂表示了用戶v在各個物品上的評分與相應物品平均評分的差異；表示物品i的平均評分；N表示用戶v所評價過的物品的總數。用戶的活躍度l可以由公式(4)表示：

其中N^u為活躍用戶所需評價過的物品數量的最小值，用戶的可信性最終由公式(5)表示：

4)客觀性是指用戶的評價是否與客觀事實相一致，用戶的客觀性由公式(6)表示：

其中r表示所有商品的平均評分；

在形式上，稀疏信任影響因素集可表示為A_u,v＝{Sim(u,v),Con(u,v),Cre(v),

Obj(v)}；

5)稀疏信任挖掘：將信任關系分為了三種狀態，即信任：t_u,v＝1，不信任：t_u,v＝-1，以及信任關系不明；然后利用直推式支持向量機TSVM算法，稀疏信任挖掘過程如下：

給定訓練集D_l＝{(x₁,y₁),(x₂,y₂),...,(x_l,y_l)}和D_u＝{x_l+1,x_l+2,...,x_l+u}，其中x_i表示第i個稀疏信任關系的影響因素特征向量，第i個稀疏信任關系是用戶兩兩組合后排在第i個的向量；y_i∈{-1,+1}表示第i個稀疏信任關系的信任標簽，其中l＜＜u,l+u＝k,k＝m×m。例如，假設第i個稀疏信任關系是由用戶u指向用戶v的信任關系，TSVM算法的學習目標是給出D_u中的未標記的信任數據的偽標簽所以TSVM的損失函數由公式(7)所示：

s.t y_i(w^Tx_i+b)≥1-ξ_i,i＝1,2,...l,

ξ_i≥0,i＝1,2,...m (4-7)

其中ξ為松弛變量，C_l和C_u為我們人為設置的參數用來平衡稀疏信任挖掘模型的復雜性和樣本的重要性。

3.如權利要求1所述的基于半監督學習的稀疏信任推薦方法，其特征是，通過共享相同的用戶特征空間將社會信任與稀疏信任合并到奇異值分解推薦模型當中，并通過信任平衡參數α來控制稀疏信任與社會信任之間的比重，進而利用奇異值分解推薦模型最終實現推薦，具體過程如下：基于SVD++模型，在SVD++模型中用戶u對于物品i的預測評分可由公式(8)預測：

其中向量b_i表示第i項物品的平均評分與所有物品平均評分的偏差，向量b_u表示用戶u對物品的平均評分與所有物品的平均評分的偏差，并且μ表示系統中所有物品的平均評分，y_i表示了用戶u所評價的其他的物品在物品i上所造成的影響因素，用戶隱式特征矩陣p_u可以被用戶特征和它們對每個特征的評價項的效果之和所代替，即

在稀疏信任和社會信任的共同影響下擴展SVD++模型。所以用戶u對于物品i的預測評分由公式(9)計算：

其中T_u和S_u分別表示用戶u在社會信任網絡和稀疏信任網絡中所信任的用戶的集合；w_v和f_z分別是用戶u在社會信任網絡和稀疏信任網絡中所信任的用戶的特征向量，參數α表示此推薦模型中社會信任和稀疏信任的權重；

使用表示用戶u在社會信任網絡中所信任的用戶對其造成的影響，使用表示用戶u在稀疏信任網絡中所信任的用戶對其造成的影響，受信者對施信者在評分上的影響可以建模為因此，目標函數由公式(10)所示：

矩陣分解模型，需要最小化的目標函數如式公式(11)所示：

其中a和b分別是社會信任網絡和稀疏信任網絡中的信任約束，參數c和d用于控制信任正則化的程度。

為了避免過度擬合，給出需要最小化的最終損失函數如公式(12)所示：

其中U_i和U_j分別為評價過物品i和物品j的用戶的集合；T_v⁺表示在社會信任網絡中信任用戶u的用戶們的集合；表示在稀疏信任網絡中信任用戶z的用戶們的集合；

對于所有用戶和物品，通過執行對b_u,b_i,p_u,q_i,y_i,w_v和f_z的梯度下降，獲得公式(12)所能取得的最小值，梯度下降過程如公式(13)所示：

其中為用戶評價的誤差式；為在社會信任網絡中用戶u指向用戶v的信任誤差式；為在稀疏信任網絡中用戶u指向用戶z的信任誤差式。