[發(fā)明專利]一種改進(jìn)的融合相似度和信任度的協(xié)同過(guò)濾算法

在審

• 申請(qǐng)?zhí)枺?/td>: 202111224000.6
• 申請(qǐng)日: 2021-10-20
• 公開（公告）號(hào): CN113987362A
• 公開（公告）日: 2022-01-28
• 發(fā)明（設(shè)計(jì)）人: 蔡曉娟;譚文安
• 申請(qǐng)（專利權(quán)）人: 南京航空航天大學(xué)
• 主分類號(hào): G06F16/9536
• 分類號(hào): G06F16/9536;G06F16/2457;G06Q40/02;G06Q50/00
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

本發(fā)明公開了一種改進(jìn)的融合相似度和信任度的協(xié)同過(guò)濾算法，該算法提出了新的用戶信任值度量方式，融合信任度和相似度計(jì)算用戶之間的信任值，提高用戶評(píng)分的一致性，建立用戶信任值矩陣。該算法通過(guò)分析用戶的評(píng)分行為和“小世界”理論構(gòu)建用戶之間的信任鏈，并融合用戶的相似度和信任度構(gòu)建用戶之間的信任值矩陣，降低baseline算法中存在的數(shù)據(jù)稀疏性問(wèn)題和算法健壯性問(wèn)題。本發(fā)明具有靈活性強(qiáng)、應(yīng)用性廣等特點(diǎn)，例如社交網(wǎng)絡(luò)推薦系統(tǒng)、貸款服務(wù)平臺(tái)等，實(shí)驗(yàn)證明將用戶之間的信任值引入到傳統(tǒng)推薦算法中是可行的，有一定的實(shí)際意義。

技術(shù)領(lǐng)域

本發(fā)明涉及人工智能技術(shù)領(lǐng)域，具體是一種改進(jìn)的融合相似度和信任度的協(xié)同過(guò)濾算法。

背景技術(shù)

近年來(lái)，隨著互聯(lián)網(wǎng)，物聯(lián)網(wǎng)，云計(jì)算和其他新興IT技術(shù)的廣泛使用，互聯(lián)網(wǎng)已變成人類不可或缺的信息獲取方式。根據(jù)中國(guó)互聯(lián)網(wǎng)信息中心(CNNIC)發(fā)布的第44次《中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》，截至2020年3月，我國(guó)網(wǎng)購(gòu)用戶規(guī)模達(dá)到9.04億人，同比增長(zhǎng)18.1％。互聯(lián)網(wǎng)如此飛速的發(fā)展和普及以及計(jì)算機(jī)技術(shù)的不斷提高，使我們進(jìn)入了一個(gè)新的時(shí)代-Web3.0。Web3.0是在Web2.0的基礎(chǔ)上發(fā)展起來(lái)的能夠更好地體現(xiàn)網(wǎng)民的勞動(dòng)價(jià)值，并且能夠?qū)崿F(xiàn)價(jià)值均衡分配的一種互聯(lián)網(wǎng)方式。總體而言，Web3.0更多的不是僅僅一種技術(shù)上的革新，而是以統(tǒng)一的通訊協(xié)議，通過(guò)更加簡(jiǎn)潔的方式為用戶提供更為個(gè)性化的互聯(lián)網(wǎng)信息資訊定制的一種技術(shù)整合。Web3.0時(shí)代的特征是個(gè)性化、互動(dòng)性和深入的應(yīng)用服務(wù)：更加徹底地站在用戶角度；多渠道閱讀、本地化內(nèi)容；用戶間應(yīng)用體驗(yàn)的分享；應(yīng)用拉動(dòng)營(yíng)銷，用戶口碑拉動(dòng)營(yíng)銷。用戶的應(yīng)用體驗(yàn)與分享，對(duì)網(wǎng)站流量和產(chǎn)品營(yíng)銷具有決定性作用；移動(dòng)互聯(lián)網(wǎng)和垂直網(wǎng)絡(luò)實(shí)現(xiàn)有效對(duì)接，不是對(duì)接內(nèi)容，而是用戶體驗(yàn)和分享層面。同時(shí)，垂直網(wǎng)站將與B2C實(shí)現(xiàn)對(duì)接，從而實(shí)現(xiàn)產(chǎn)品數(shù)據(jù)庫(kù)查詢、體驗(yàn)、購(gòu)買、分享等整個(gè)過(guò)程的一體化。正因如此，我們進(jìn)入到了一個(gè)“信息爆炸”的時(shí)代，信息的不斷激增也帶來(lái)了許多困難。面對(duì)如此浩瀚且雜亂無(wú)章的信息，用戶如何及時(shí)準(zhǔn)確地獲取到符合自身需求的信息資源成為學(xué)者們研究的課題。

在許多商業(yè)系統(tǒng)中，搜索用戶喜歡的產(chǎn)品往往會(huì)得到其他用戶的評(píng)論的支撐。這種推薦系統(tǒng)在許多領(lǐng)域都已經(jīng)實(shí)現(xiàn)，如書籍、音樂(lè)、電影和在線學(xué)習(xí)。協(xié)同過(guò)濾(CF)是推薦系統(tǒng)所使用的一種著名的技術(shù)。許多商業(yè)系統(tǒng)，如亞馬遜和eBay已經(jīng)成功實(shí)現(xiàn)了協(xié)同過(guò)濾推薦。協(xié)同過(guò)濾的基本理念是尋找與當(dāng)前用戶志同道合的人，根據(jù)這些用戶的評(píng)分行為為目標(biāo)用戶推薦他們可能喜歡的項(xiàng)目，這種方法被稱為基于用戶的協(xié)同過(guò)濾。從項(xiàng)目的角度來(lái)看，基于項(xiàng)目的協(xié)同過(guò)濾是為目標(biāo)用戶推薦與他們喜歡的項(xiàng)目的相似的項(xiàng)目。這兩種協(xié)同過(guò)濾構(gòu)成了基于內(nèi)存的協(xié)同過(guò)濾算法。之所以這樣命名，是因?yàn)樗鼈冊(cè)趦?nèi)存中保存了所有的用戶評(píng)分。在任何一種方法中，推薦基本上都伴隨著對(duì)看不見的項(xiàng)目的評(píng)分預(yù)測(cè)，和推薦具有高度預(yù)測(cè)評(píng)分的項(xiàng)目。

在協(xié)同過(guò)濾推薦中，查找相似的用戶或項(xiàng)目對(duì)于系統(tǒng)性能至關(guān)重要。各種相似度計(jì)算的方法，如Pearson相關(guān)系數(shù)或余弦相似性被廣泛應(yīng)用到推薦系統(tǒng)中。這些方法基本上使用對(duì)給出的項(xiàng)目的用戶評(píng)分來(lái)計(jì)算相似性。實(shí)際上，大多數(shù)商業(yè)系統(tǒng)都維護(hù)著大量的產(chǎn)品，協(xié)同過(guò)濾推薦算法能使用的用戶-項(xiàng)評(píng)分矩陣極其稀疏。因此，這種數(shù)據(jù)稀疏性在協(xié)同過(guò)濾研究中是一個(gè)非常具有挑戰(zhàn)性的問(wèn)題，因?yàn)樗ǔ?huì)產(chǎn)生不值得信任的相似性。

基于內(nèi)存的協(xié)同過(guò)濾算法的推薦系統(tǒng)往往面臨兩個(gè)重要的性能問(wèn)題。首先，所有的評(píng)分差異，即兩個(gè)用戶的兩個(gè)評(píng)分之間的差異，在計(jì)算相似性時(shí)沒(méi)有考慮它們之間的相關(guān)性。其次，非活躍用戶的平均評(píng)分難以預(yù)測(cè)。換句話說(shuō)，非活躍用戶的評(píng)分概率分布不能被正確地建模。為了解決這個(gè)效率問(wèn)題，我們不僅需要更多的一致性相似性，還需要一個(gè)評(píng)分預(yù)測(cè)模型。為了解決上述問(wèn)題，許多新的相似性模型已經(jīng)被開發(fā)出來(lái)，如約束皮爾遜相關(guān)系數(shù)和基于模糊的相似性模型。除了相似性本身，相似性的可靠性度量也被提出，以獲得更可信的評(píng)級(jí)預(yù)測(cè)。

在本發(fā)明中，引入用戶之間的信任度，并融合用戶的相似性計(jì)算用戶的信任值，引入信任值進(jìn)行評(píng)分預(yù)測(cè)，與其他傳統(tǒng)算法相比，具有更高的準(zhǔn)確性和解決了傳統(tǒng)算法的健壯性問(wèn)題。

發(fā)明內(nèi)容