CN105045805A - 基于移动通信的信任推荐模型的构建方法及其构建系统 - Google Patents

Abstract

本发明公开了一种基于移动通信的信任推荐模型的构建方法及其构建系统，该方法包括：步骤1，计算被推荐用户U_i与邻居用户U_j之间的通信信任值T_ij ^P；步骤2，计算被推荐用户U_i和邻居用户U_j之间的评价相似度信任值T_ij ^S；步骤3，计算被推荐用户U_i和邻居用户U_j之间的传递信任值T_ij ^T；步骤4，通过以下公式得出综合信任值T_ij：T_ij＝β₁×T_ij ^P+β₂×T_ij ^S+β₃×T_ij ^T；β₁+β₂+β₃＝1；其中，β₁、β₂和β₃为权衡系数。该方法和系统克服了对推荐项目的信任研究涉及较少，实现了能全面地、准确地、客观地量化被推荐用户与邻居用户之间在移动通信网中的信任关系。

Description

基于移动通信的信任推荐模型的构建方法及其构建系统

技术领域

本发明涉及信息过滤中的推荐技术研究领域，具体地，涉及一种基于移动通信的信任推荐模型的构建方法及其构建系统。

背景技术

随着移动通信技术的发展和智能设备的普及，越来越多的人倾向于通过智能手机、平板来获取信息和服务。与此同时，在移动互联网环境中，信息资源的获取和推送可以不受时间、地点和方式的限制，为用户提供无处不在的信息资源已成为可能，移动智能终端已经成为人们获取信息的主要平台之一(如利用智能手机浏览新闻，欣赏音乐或电影，使用微博、微信等)。但是移动互联网服务和信息内容的日益增长将逐渐超出人们所能接受的范围,加之移动设备的界面显示、终端处理、输入/输出等能力有限，为移动用户带来沉重的“信息过载”问题，导致移动网络资源利用率和用户体验受到严重影响。

推荐系统通过建立用户与项目之间的二元关系，利用已有的选择过程或相似性关系挖掘每个用户潜在感兴趣的对象，进而进行个性化推荐，从而缓解了移动互联网信息过载的问题。

传统互联网推荐系统主要采用基于协同过滤推荐，基于内容的推荐，混合推荐等几种推荐技术，对推荐项目的信任研究涉及较少，移动互联网与传统互联网的主要区别在于用户、接入网络和终端，这使前者增加了移动性、上下文感知、终端个人化等固有属性，如图4所示。

那么设计一种涉及信任研究的基于移动通信的信任推荐模型的构建方法及其系统。

发明内容

本发明的目的是提供了一种基于移动通信的信任推荐模型的构建方法及其系统，该方法和系统克服了对推荐项目的信任研究涉及较少，实现了能全面地、准确地、客观地量化被推荐用户与邻居用户之间在移动通信网中的信任关系。

为了实现上述目的，本发明提供了基于移动通信的信任推荐模型的构建方法，其特征在于，该方法包括：

步骤1，计算被推荐用户U_i与邻居用户U_j之间的通信信任值

步骤2，计算被推荐用户U_i和邻居用户U_j之间的评价相似度信任值

步骤3，计算被推荐用户U_i和邻居用户U_j之间的传递信任值

步骤4，通过以下公式得出综合信任值T_ij：

$T_{ij}={\mathrm{\β}}_1\×T_{ij}^P+{\mathrm{\β}}_2\×T_{ij}^S+{\mathrm{\β}}_3\×T_{ij}^T;$

β₁+β₂+β₃＝1；

其中，β₁、β₂和β₃为权衡系数。

优选地，在步骤1中，计算被推荐用户U_i与邻居用户U_j之间的通信信任值的方法包括：

推荐系统接收被推荐用户U_i请求通话频次和/或短信频次的命令，并响应所述被推荐用户U_i相对应的请求，所述推荐系统提供所述被推荐用户U_i和邻居用户U_j之间的通信数据；

通过下述公式计算所述被推荐用户U_i和邻居用户U_j之间的通话信任值

其中，k_ij为所述被推荐用户U_i与所述邻居用户U_j之间的通话频次，N为邻居总数；

通过下述公式计算所述被推荐用户U_i和邻居用户U_j之间的短信信任值

其中，k′_ij为所述被推荐用户U_i与所述邻居用户U_j之间的短信频次；

所述被推荐用户U_i根据通讯录分组以及最近通信详情将通信用户U_j动态生成信任等级评分R_ij，其中，所述R_ij≥0且R_ij≤1；

通过下述的公式计算被推荐用户U_i与邻居用户U_j之间的通信信任值：

$T_{ij}^P=R_{ij}\×(\mathrm{\α}\×T_{ij}^C+(1-\mathrm{\α})\×T_{ij}^M),$ 其中，α≥0且α≤1。

优选地，在步骤2中，计算被推荐用户U_i和邻居用户U_j之间的评价相似度信任值的方法包括：

预设通信用户集U_C，为与所述被推荐用户U_i有直接交互，且预设所述通信用户集U_C与所述邻居用户U_j有直接交互；

计算所述被推荐用户U_i与所述通信用户集U_C之间的通信信任向量

计算所述邻居用户U_j与所述通信用户集U_C之间的通信信任向量

通过下述的公式计算被推荐用户U_i和邻居用户U_j之间的评价相似度信任值

其中，n为所述通信用户集U_C的总数，所述为所述被推荐用户U_i与所述通信用户集U_C中的第k_l个通信信任向量。

优选地，在步骤3中，计算被推荐用户U_i和邻居用户U_j之间的传递信任值的方法包括：

通过下述的公式计算被推荐用户U_i和邻居用户U_j之间的传递信任值

$T_{ij}^T=\frac{1}{n}\underset{l=1}{\overset{n}{\Σ}}{T}_{{\mathrm{ik}}_l}^P\×T_{k_{l}j}^P.$

优选地，该方法还包括：

步骤5，获取所述被推荐用户U_i的邻居集U和所述被推荐用户U_i感兴趣的Item集I，其中，N为邻居总数；

通过如下公式计算所述被推荐用户U_i对Item集I的评分：

其中，所述r_ij为邻居集U对Item集I的评分集合。

本发明还提供一种基于移动通信的信任推荐模型的构建系统，该系统包括：

计算被推荐用户U_i与邻居用户U_j之间的通信信任值的系统；

计算被推荐用户U_i和邻居用户U_j之间的评价相似度信任值的系统；

计算被推荐用户U_i和邻居用户U_j之间的传递信任值的系统；

通过以下公式得出综合信任值T_ij的系统：

$T_{ij}={\mathrm{\β}}_1\×T_{ij}^P+{\mathrm{\β}}_2\×T_{ij}^S+{\mathrm{\β}}_3\×T_{ij}^T;$

β₁+β₂+β₃＝1；

其中，β₁、β₂和β₃为权衡系数。

优选地，计算被推荐用户U_i与邻居用户U_j之间的通信信任值的系统包括：

推荐系统接收被推荐用户U_i请求通话频次和/或短信频次的命令，并响应所述被推荐用户U_i相对应的请求，所述推荐系统提供所述被推荐用户U_i和邻居用户U_j之间的通信数据；

通过下述公式计算所述被推荐用户U_i和邻居用户U_j之间的通话信任值的系统：

其中，k_ij为所述被推荐用户U_i与所述邻居用户U_j之间的通话频次，N为邻居总数；

通过下述公式计算所述被推荐用户U_i和邻居用户U_j之间的短信信任值的系统：

其中，k′_ij为所述被推荐用户U_i与所述邻居用户U_j之间的短信频次；

所述被推荐用户U_i根据通讯录分组以及最近通信详情将通信用户U_j动态生成信任等级评分R_ij，其中，所述R_ij≥0且R_ij≤1；

通过下述的公式计算被推荐用户U_i与邻居用户U_j之间的通信信任值的系统：

$T_{ij}^P=R_{ij}\×(\mathrm{\α}\×T_{ij}^C+(1-\mathrm{\α})\×T_{ij}^M),$ 其中，α≥0且α≤1。

优选地，计算被推荐用户U_i和邻居用户U_j之间的评价相似度信任值的系统包括：

预设通信用户集U_C为与所述被推荐用户U_i有直接交互的系统，且预设所述通信用户集U_C与所述邻居用户U_j有直接交互的系统；

计算所述被推荐用户U_i与所述通信用户集U_C之间的通信信任向量的系统；

计算所述邻居用户U_j与所述通信用户集U_C之间的通信信任向量的系统；

通过下述的公式计算被推荐用户U_i和邻居用户U_j之间的评价相似度信任值的系统：

其中，n为所述通信用户集U_C的总数，所述为所述被推荐用户U_i与所述通信用户集U_C中的第k_l个通信信任向量。

优选地，计算被推荐用户U_i和邻居用户U_j之间的传递信任值的系统包括：

通过下述的公式计算被推荐用户U_i和邻居用户U_j之间的传递信任值的系统： $T_{ij}^T=\frac{1}{n}\underset{l=1}{\overset{n}{\Σ}}{T}_{{\mathrm{ik}}_l}^P\×T_{k_{l}j}^P.$

优选地，该系统还包括：

获取所述被推荐用户U_i的邻居集U和所述被推荐用户U_i感兴趣的Item集I的系统，其中，N为邻居总数；

通过如下公式计算所述被推荐用户U_i对Item集I的评分的系统：

其中，所述r_ij为邻居集U对Item集I的评分集合。

通过上述的实施方式，本发明利用移动通信引入了通信信任、相似度信任和传递信任的三个信任度的计算方法，依次计算三者的值，通过最终的综合数据计算出综合信任度，量化了推荐用户与邻居用户之间在移动通信网中的信任关系，并提出了一种基于信任的协同过滤推荐系统模型，本发明实现了能全面地、准确地、客观地量化被推荐用户与邻居用户之间在移动通信网中的信任关系。

本发明的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：

图1是说明本发明的一种基于移动通信的信任推荐模型的构建方法的被推荐用户U_i和邻居用户U_j之间的评价相似度信任值的示意图；

图2是说明本发明的一种基于移动通信的信任推荐模型的构建方法的被推荐用户U_i和邻居用户U_j之间的传递信任值的示意图；

图3是说明本发明的一种基于移动通信的信任推荐模型的构建方法的实验结果图；

图4是说明本发明的最优选的一种基于移动通信的信任推荐模型的构建方法的移动社交网络的推荐示意图；以及

图5是说明本发明的一种基于移动通信的信任推荐模型的构建方法的流程图。

具体实施方式

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

本发明提供一种基于移动通信的信任推荐模型的构建方法，如图5所示，该方法包括：

步骤1，计算被推荐用户U_i与邻居用户U_j之间的通信信任值

步骤2，计算被推荐用户U_i和邻居用户U_j之间的评价相似度信任值

步骤3，计算被推荐用户U_i和邻居用户U_j之间的传递信任值

步骤4，通过以下公式得出综合信任值T_ij：

$T_{ij}={\mathrm{\β}}_1\×T_{ij}^P+{\mathrm{\β}}_2\×T_{ij}^S+{\mathrm{\β}}_3\×T_{ij}^T;$

β₁+β₂+β₃＝1；

其中，β₁、β₂和β₃为权衡系数。

通过上述的实施方式，本发明通过通信信任值评价相似度信任值和传递信任值三者的结合，求出综合信任值T_ij，实现能全面地、准确地、客观地量化被推荐用户U_i与邻居用户U_j之间在移动通信网中的信任关系，最终是通过公式，实现综合信任值的计算，在本发明中，默认β₁、β₂和β₃为0.5、0.3和0.2，且他们是权衡系数。

以下结合附图1-附图4对本发明进行进一步的说明，在本发明中，为了实现上述的效果，用如下的具体方式来实现通信信任值评价相似度信任值和传递信任值三者的计算，使得算出的信任值更加的实用。通过图3的实验结果图可以看出来，通过本发明的方法较传统的协同过滤推荐模型的推荐的方法的准确性有明显的提高。

在本发明的一种具体实施方式的步骤1中，计算被推荐用户U_i与邻居用户U_j之间的通信信任值的方法包括：推荐系统接收被推荐用户U_i请求通话频次和/或短信频次的命令，并响应所述被推荐用户U_i相对应的请求，所述推荐系统提供所述被推荐用户U_i和邻居用户U_j之间的通信数据；通过下述公式计算所述被推荐用户U_i和邻居用户U_j之间的通话信任值

信任值反映了用户U_i和用户U_j之间通话频次在用户U_i整个通话记录中所占的比例，本质上也是用户U_i和用户U_j之间信任的体现。其中，k_ij为所述被推荐用户U_i与所述邻居用户U_j之间的通话频次，N为邻居总数N是与用户U_i通信的用户总数，即用户U_i的邻居数；通过下述公式计算所述被推荐用户U_i和邻居用户U_j之间的短信信任值

其中，k′_ij为所述被推荐用户U_i与所述邻居用户U_j之间的短信频次；所述被推荐用户U_i根据通讯录分组以及最近通信详情将通信用户U_j动态生成信任等级评分R_ij，其中，所述R_ij≥0且R_ij≤1；通讯录分组以及最近联系人可以从推荐系统中得出，通过下述的公式计算被推荐用户U_i与邻居用户U_j之间的通信信任值：其中，α≥0且α≤1，为了归一化处理最后的信任值，所以选择信任等级评分在[0,1]区间。为了归一化处理最后的信任值，所以选择信任等级评分在[0,1]区间。

其中，通讯录分组和等级分通过下列表格说明：

最近联系人通过以下分段函数获得：

$\{\begin{array}{cc}{k}_{ij}>40& R_{ij}=0.6\\ 10<k_{ij}<30& R_{ij}=0.4\end{array},$

$\{\begin{array}{cc}{k}_{ij}^{\&prime;}>60& R_{ij}=0.6\\ 30<k_{ij}^{\&prime;}<60& R_{ij}=0.4\end{array},$ 其中，k_ij为通话频次，k′_ij为短信频次。

通过上述的实施方式，可以得到通信信任值且这样的方式比较简单，能够在量上说明被推荐用户U_i和邻居用户U_j之间的通信信任值具体为多少。

在本发明的一种具体的实施方式中，如图1所示，在步骤2中，计算被推荐用户U_i和邻居用户U_j之间的评价相似度信任值的方法包括：

预设通信用户集 $U_C=\{U_{k_1},U_{k_2},U_{k_3},...,U_{k_n}\}$ 为与所述被推荐用户U_i有直接交互，且预设所述通信用户集U_C与所述邻居用户U_j有直接交互；计算所述被推荐用户U_i与所述通信用户集U_C之间的通信信任向量 $X\left(T_i^P\right)=(T_{i1}^P,T_{i2}^P,T_{i3}^P,...,T_{{\mathrm{in}}^{\&prime;}}^P);$ 计算所述邻居用户U_j与所述通信用户集U_C之间的通信信任向量 $X\left(T_j^P\right)=(T_{j1}^P,T_{j2}^P,T_{j3}^P,...,T_{{\mathrm{jn}}^{\&prime;}}^P);$ 通过下述的公式计算被推荐用户U_i和邻居用户U_j之间的评价相似度信任值 为用户U_i和用户之间的通信信任值，k_l表示用户U_i和用户U_j之间公共通信用户，如图1所示。其中，n为所述通信用户集U_C的总数，所述为所述被推荐用户U_i与所述通信用户集U_C中的第k_l个通信信任向量，相似度信任值是用户U_i和用户U_j对某个邻居用户信任行为的相似程度，值越高表明用户U_i越信任用户U_j信任的邻居用户。

通过上述的实施方式，可以得到评价相似度信任值且这样的方式比较简单，更容易得到，能够在量上说明被推荐用户U_i和邻居用户U_j之间的评价相似度信任值具体为多少。

在本发明的一种具体实施方式中，如图2所示，在步骤3中，计算被推荐用户U_i和邻居用户U_j之间的传递信任值的方法包括：

通过下述的公式计算被推荐用户U_i和邻居用户U_j之间的传递信任值

$T_{ij}^T=\frac{1}{n}\underset{l=1}{\overset{n}{\&Sigma;}}{T}_{{\mathrm{ik}}_l}^P\&times;T_{k_{l}j}^P$

通过这样的方式可以得到传递信任值且得到的传递信任值可靠性强，能够在量上说明被推荐用户U_i和邻居用户U_j之间的传递信任值

在本发明的一种具体实施方式中，该方法还包括：

步骤5，获取所述被推荐用户U_i的邻居集U＝{U₁,U₂,...,U_N}和所述被推荐用户U_i感兴趣的Item集I；

通过如下公式计算所述被推荐用户U_i对Item集I的评分：

其中，N是被推荐用户的邻居集总数，被推荐用户U_i的邻居集U和所述被推荐用户U_i感兴趣的Item集I由推荐系统获得；其中，所述r_ij为邻居集U对Item集I的评分集合。

步骤5以综合信任值为基础来提高对被推荐用户推荐最优Item的成功率的信任模型的构建方法，通过上式预测出被推荐用户对Item集的评分，选出评分最高的最优Item推荐给用户。

本发明提供一种基于移动通信的信任推荐模型的构建系统，该系统包括：

计算被推荐用户U_i与邻居用户U_j之间的通信信任值的系统；

计算被推荐用户U_i和邻居用户U_j之间的评价相似度信任值的系统；

计算被推荐用户U_i和邻居用户U_j之间的传递信任值的系统；

通过以下公式得出综合信任值T_ij的系统：

$T_{ij}={\mathrm{\&beta;}}_1\&times;T_{ij}^P+{\mathrm{\&beta;}}_2\&times;T_{ij}^S+{\mathrm{\&beta;}}_3\&times;T_{ij}^T;$

β₁+β₂+β₃＝1；

其中，β₁、β₂和β₃为权衡系数。

通过这样的系统，实现综合信任值的计算。

在本发明的一种具体实施方式中，计算被推荐用户U_i与邻居用户U_j之间的通信信任值的系统包括：

推荐系统接收被推荐用户U_i请求通话频次和/或短信频次的命令，并响应所述被推荐用户U_i相对应的请求，所述推荐系统提供所述被推荐用户U_i和邻居用户U_j之间的通信数据；

通过下述公式计算所述被推荐用户U_i和邻居用户U_j之间的通话信任值的系统：

其中，k_ij为所述被推荐用户U_i与所述邻居用户U_j之间的通话频次，N为邻居总数；

通过下述公式计算所述被推荐用户U_i和邻居用户U_j之间的短信信任值的系统：

其中，k′_ij为所述被推荐用户U_i与所述邻居用户U_j之间的短信频次；

所述被推荐用户U_i根据通讯录分组以及最近通信详情将通信用户U_j动态生成信任等级评分R_ij，其中，所述R_ij≥0且R_ij≤1；

通过下述的公式计算被推荐用户U_i与邻居用户U_j之间的通信信任值的系统：

$T_{ij}^P=R_{ij}\&times;(\mathrm{\&alpha;}\&times;T_{ij}^C+(1-\mathrm{\&alpha;})\&times;T_{ij}^M),$ 其中，α≥0且α≤1。

在本发明的一种具体实施方式中，计算被推荐用户U_i和邻居用户U_j之间的评价相似度信任值的系统包括：

预设通信用户集 $U_C=\{U_{k_1},U_{k_2},U_{k_3},...,U_{k_n}\}$ 为与所述被推荐用户U_i有直接交互的系统，且预设所述通信用户集U_C与所述邻居用户U_j有直接交互的系统；

计算所述被推荐用户U_i与所述通信用户集U_C之间的通信信任向量的系统；

计算所述邻居用户U_j与所述通信用户集U_C之间的通信信任向量的系统；

通过下述的公式计算被推荐用户U_i和邻居用户U_j之间的评价相似度信任值的系统：

其中，n为所述通信用户集U_C的总数，所述为所述被推荐用户U_i与所述通信用户集U_C中的第k_l个通信信任向量。

在本发明的一种具体实施方式中，计算被推荐用户U_i和邻居用户U_j之间的传递信任值的方法包括：

通过下述的公式计算被推荐用户U_i和邻居用户U_j之间的传递信任值的系统：

$T_{ij}^T=\frac{1}{n}\underset{l=1}{\overset{n}{\&Sigma;}}{T}_{{\mathrm{ik}}_l}^P\&times;T_{k_{l}j}^P.$

在该种实施方式中，该系统还包括：

获取所述被推荐用户U_i的邻居集U＝{U₁,U₂,...,U_N}和所述被推荐用户U_i感兴趣的Item集I的系统；

通过如下公式计算所述被推荐用户U_i对Item集I的评分的系统：

其中，所述r_ij为邻居集U对Item集I的评分集合。

以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。

此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。

Claims (10)

1.一种基于移动通信的信任推荐模型的构建方法，其特征在于，该方法包括：

步骤1，计算被推荐用户U_i与邻居用户U_j之间的通信信任值

步骤2，计算被推荐用户U_i和邻居用户U_j之间的评价相似度信任值

步骤3，计算被推荐用户U_i和邻居用户U_j之间的传递信任值

步骤4，通过以下公式得出综合信任值T_ij：

$T_{ij}={\mathrm{\&beta;}}_1\&times;T_{ij}^P+{\mathrm{\&beta;}}_2\&times;T_{ij}^S+{\mathrm{\&beta;}}_3\&times;T_{ij}^T;$

β₁+β₂+β₃＝1；

其中，β₁、β₂和β₃为权衡系数。

2.根据权利要求1所述的基于移动通信的信任推荐模型的构建方法，其特征在于，在步骤1中，计算被推荐用户U_i与邻居用户U_j之间的通信信任值的方法包括：

推荐系统接收被推荐用户U_i请求通话频次和/或短信频次的命令，并响应所述被推荐用户U_i相对应的请求，所述推荐系统提供所述被推荐用户U_i和邻居用户U_j之间的通信数据；

通过下述公式计算所述被推荐用户U_i和邻居用户U_j之间的通话信任值

其中，k_ij为所述被推荐用户U_i与所述邻居用户U_j之间的通话频次，N为邻居总数；

通过下述公式计算所述被推荐用户U_i和邻居用户U_j之间的短信信任值

其中，k′_ij为所述被推荐用户U_i与所述邻居用户U_j之间的短信频次；

所述被推荐用户U_i根据通讯录分组以及最近通信详情将通信用户U_j动态生成信任等级评分R_ij，其中，所述R_ij≥0且R_ij≤1；

通过下述的公式计算被推荐用户U_i与邻居用户U_j之间的通信信任值：

$T_{ij}^P=R_{ij}\&times;(\mathrm{\&alpha;}\&times;T_{ij}^C+(1-\mathrm{\&alpha;})\&times;T_{ij}^M),$ 其中，α≥0且α≤1。

3.根据权利要求2所述的基于移动通信的信任推荐模型的构建方法，其特征在于，在步骤2中，计算被推荐用户U_i和邻居用户U_j之间的评价相似度信任值的方法包括：

预设通信用户集U_C，为与所述被推荐用户U_i有直接交互，且预设所述通信用户集U_C与所述邻居用户U_j有直接交互；

计算所述被推荐用户U_i与所述通信用户集U_C之间的通信信任向量

计算所述邻居用户U_j与所述通信用户集U_C之间的通信信任向量

通过下述的公式计算被推荐用户U_i和邻居用户U_j之间的评价相似度信任值

其中，n为所述通信用户集U_C的总数，所述为所述被推荐用户U_i与所述通信用户集U_C中的第k_l个通信信任向量。

4.根据权利要求3所述的基于移动通信的信任推荐模型的构建方法，其特征在于，在步骤3中，计算被推荐用户U_i和邻居用户U_j之间的传递信任值的方法包括：

通过下述的公式计算被推荐用户U_i和邻居用户U_j之间的传递信任值

$T_{ij}^T=\frac{1}{n}\underset{l=1}{\overset{n}{\&Sigma;}}{T}_{{\mathrm{ik}}_l}^P\&times;T_{k_{l}j}^P.$

5.根据权利要求1所述的基于移动通信的信任推荐模型的构建方法，其特征在于，该方法还包括：

步骤5，获取所述被推荐用户U_i的邻居集U和所述被推荐用户U_i感兴趣的Item集I，其中，N为邻居总数；

通过如下公式计算所述被推荐用户U_i对Item集I的评分：

其中，所述r_ij为邻居集U对Item集I的评分集合。

6.一种基于移动通信的信任推荐模型的构建系统，其特征在于，该系统包括：

计算被推荐用户U_i与邻居用户U_j之间的通信信任值的系统；

计算被推荐用户U_i和邻居用户U_j之间的评价相似度信任值的系统；

计算被推荐用户U_i和邻居用户U_j之间的传递信任值的系统；

通过以下公式得出综合信任值T_ij的系统：

$T_{ij}={\mathrm{\&beta;}}_1\&times;T_{\mathrm{ij}}^P+{\mathrm{\&beta;}}_2\&times;T_{ij}^S+{\mathrm{\&beta;}}_3\&times;T_{ij}^T;$

β₁+β₂+β₃＝1；

其中，β₁、β₂和β₃为权衡系数。

7.根据权利要求1所述的基于移动通信的信任推荐模型的构建系统，其特征在于，计算被推荐用户U_i与邻居用户U_j之间的通信信任值的系统包括：

推荐系统接收被推荐用户U_i请求通话频次和/或短信频次的命令，并响应所述被推荐用户U_i相对应的请求，所述推荐系统提供所述被推荐用户U_i和邻居用户U_j之间的通信数据；

通过下述公式计算所述被推荐用户U_i和邻居用户U_j之间的通话信任值的系统：

其中，k_ij为所述被推荐用户U_i与所述邻居用户U_j之间的通话频次，N为邻居总数；

通过下述公式计算所述被推荐用户U_i和邻居用户U_j之间的短信信任值的系统：

其中，k′_ij为所述被推荐用户U_i与所述邻居用户U_j之间的短信频次；

所述被推荐用户U_i根据通讯录分组以及最近通信详情将通信用户U_j动态生成信任等级评分R_ij，其中，所述R_ij≥0且R_ij≤1；

通过下述的公式计算被推荐用户U_i与邻居用户U_j之间的通信信任值的系统：

$T_{ij}^P=R_{ij}\&times;(\mathrm{\&alpha;}\&times;T_{ij}^C+(1-\mathrm{\&alpha;})\&times;T_{ij}^M),$ 其中，α≥0且α≤1。

8.根据权利要求7所述的基于移动通信的信任推荐模型的构建系统，其特征在于，计算被推荐用户U_i和邻居用户U_j之间的评价相似度信任值的系统包括：

预设通信用户集U_C为与所述被推荐用户U_i有直接交互的系统，且预设所述通信用户集U_C与所述邻居用户U_j有直接交互的系统；

计算所述被推荐用户U_i与所述通信用户集U_C之间的通信信任向量的系统；

计算所述邻居用户U_j与所述通信用户集U_C之间的通信信任向量的系统；

通过下述的公式计算被推荐用户U_i和邻居用户U_j之间的评价相似度信任值的系统：

其中，n为所述通信用户集U_C的总数，所述为所述被推荐用户U_i与所述通信用户集U_C中的第k_l个通信信任向量。

9.根据权利要求8所述的基于移动通信的信任推荐模型的构建系统，其特征在于，计算被推荐用户U_i和邻居用户U_j之间的传递信任值的系统包括：

通过下述的公式计算被推荐用户U_i和邻居用户U_j之间的传递信任值的系统： $T_{ij}^T=\frac{1}{n}\underset{l=1}{\overset{n}{\&Sigma;}}{T}_{{\mathrm{ik}}_l}^P\&times;T_{k_{l}j}^P.$

10.根据权利要求6所述的基于移动通信的信任推荐模型的构建系统，其特征在于，该系统还包括：

获取所述被推荐用户U_i的邻居集U和所述被推荐用户U_i感兴趣的Item集I的系统，其中，N为邻居总数；

通过如下公式计算所述被推荐用户U_i对Item集I的评分的系统：

其中，所述r_ij为邻居集U对Item集I的评分集合。