CN106126586A - 一种基于综合评价信任的社交网络推荐模型构建方法 - Google Patents

Abstract

本发明涉及一种基于综合评价信任的社交网络推荐模型构建方法，包括如下步骤：初步确认被推荐用户和邻居用户之间的信任关系；建立被推荐用户和邻居用户之间评价相似度信任；建立被推荐用户和邻居用户之间社交关系相似度信任；建立被推荐用户和邻居用户之间PageRank信任；结合上述步骤的结果得到用户间的综合评价信任值。实现了准确地量化社交网络中被推荐用户与邻居用户信任关系的目的。通过这种量化的信任关系，改进了利用用户评价相似度来提供推荐服务的传统推荐模型推荐准确率低的弊端，最大化满足社交网络中被推荐用户个性化推荐的需求。

Description

一种基于综合评价信任的社交网络推荐模型构建方法

技术领域

本发明涉及信息过滤中的推荐技术研究领域，具体涉及一种基于综合评价信任的面向个性化的社交网络推荐模型构建方法的研究。

背景技术

随着网络的发展与普及，人们在网络上能获取到越来越多的信息，这给人们的生活带来很大的便利，人们可以网上购物、聊天、查阅资料等。但是随着时间的推移，网络上的信息变得斑驳繁杂，人们很难继续在网络上获取对自己有用的信息，我们称此现象为“信息过载”。

针对这一难题，个性化推荐系统(Recommender System)应运而生。该系统主要基于大数据的挖掘来提供智能服务，通过分析用户的购物特征来给用户推荐其感兴趣的商品。如今，个性化推荐系统已经被众多领域广泛关注和研究，它是根据用户平时的爱好、社交圈、购物特征等来推荐商品，所以该技术能使用户快速获取喜欢的商品同时也能为商家挽留客户群体，避免了经济的损失。

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，所以，将信任运用到推荐中可以显著提高推荐算法的准确性。基于信任的协同过滤推荐算法要比单纯的协同过滤效果更好，推荐准确度更高。随着国内外学者的研究，基于信任的个性化推荐更能挖掘用户的社会关系和用户的特征，从而能为用户提供更加优秀的个性化服务。

发明内容

本发明的目的在于提供一种基于综合评价信任的社交网络推荐模型构建方法，实现能全面地、准确地、客观地量化被推荐用户与邻居用户之间在社交网络中的信任关系，以信任为基础来提高对被推荐用户推荐最优Item的成功率的社交网络信任模型的构建方法。具体技术方案如下：

一种基于综合评价信任的社交网络推荐模型构建方法，包括如下步骤：

(1)初步确认被推荐用户和邻居用户之间的信任关系；

(2)建立被推荐用户和邻居用户之间评价相似度信任；

(3)建立被推荐用户和邻居用户之间社交关系相似度信任；

(4)建立被推荐用户和邻居用户之间PageRank信任；

(5)结合步骤(2)-(4)的结果得到用户间的综合评价信任值。

进一步地，步骤(1)中通过分析数据初步确认用户之间的信任关系，所述数据包括社交网络结构图。

进一步地，步骤(2)中，计算被推荐用户U_i和邻居用户U_j的评价相似信任度包括：设是U_i，U_j都参与评分的项目集，通过获取U_i对I_C的评分，获得U_i对I_C的评价向量，记为：通过获取U_j对I_C的评分，获得U_j对I_C的评价向量，记为：I_C项目集总数为n′，则U_i与U_j之间的评价相似度信任值为：

$T_{ij}^R=\frac{\underset{l=1}{\overset{n}{\Σ}}{T}_{{\mathrm{ik}}_l}^r\×T_{{\mathrm{jk}}_l}^r}{\sqrt{\underset{l=1}{\overset{n}{\Σ}}{\left(T_{{\mathrm{ik}}_l}^r\right)}^2}\×\sqrt{\underset{l=1}{\overset{n}{\Σ}}{\left(T_{{\mathrm{jk}}_l}^r\right)}^2}}---\left(1\right).$

进一步地，步骤(3)中，计算被推荐用户U_i和邻居用户U_j的社交关系相似信任度包括：设U_c＝{U₁,U₂,U₃,...,U_n'}是与U_i，U_j都有直接交互的社交用户集，通过获取U_i与U_c之间的信任关系，获得U_i与U_c的信任用户子集通过获取U_j与U_c之间的信任关系，获得U_j与U_c的信任用户子集U_c社交用户集总数为n′，则U_i与U_j之间的社交关系相似信任值为：

$T_{ij}^S=\frac{U_{ci}\∩U_{cj}}{U_{ci}\∪U_{cj}}---\left(2\right).$

进一步地，步骤(4)中计算用户U_i的PageRank信任度包括：设U_c＝{U₁,U₂,U₃,...,U_n'}是与U_i有直接交互的社交用户集，通过获取U_i对U_c社交用户集之间的信任关系，获得U_i对U_c的信任向量，记为：通过获取社交用户集U_c与U_i之间的信任关系，获得U_c对U_i的信任向量，记为：U_c通信用户集的总数为n′，则U_i的PageRank信任值为：

${T_i}^{PR}=q\underset{j\∈Y\left({T_i}^P\right)}{\Σ}\frac{1}{\mathrm{\Σ}X\left({T_i}^P\right)}+(1-q)/n---\left(3\right).$

进一步地，步骤(5)中，计算被推荐用户U_i与邻居用户U_j之间的综合评价信任值为：

$T_{ij}={\mathrm{\β}}_1\×T_{ij}^R+{\mathrm{\β}}_2\×T_{ij}^S+{\mathrm{\β}}_3\×T_j^{PR}---\left(4\right)$

其中β是权衡系数，满足条件β₁+β₂+β₃＝1。

进一步地，进一步包括步骤(6)：选出评分最高的相邻用户推荐给用户。

进一步地，步骤(6)中包括：

(6-1)获取被推荐用户的邻居集{u₁,u₂,...,u_n}；

(6-2)获取被推荐用户感兴趣的Item集{I₁,I₂,...,I_n}；

(6-3)邻居集对Item集的评分集合为r_ij通过公式

${\hat{r}}_{ij}=\frac{1}{k}\underset{k=1}{\overset{n}{\Σ}}{r}_{ik}+\frac{\underset{k=1}{\overset{n}{\Σ}}{T}_{ij}(r_{ik}-r_{jk})}{\underset{i=1,j=1}{\overset{n}{\Σ}}{T}_{ij}}---\left(5\right)$

预测出被推荐用户对Item集的评分；

(6-4)选出评分最高的最优Item推荐给用户。

与目前现有技术相比，本发明针对个性化推荐的发展趋势，通过信任来对用户进行个性化推荐，运用了隐式用户信任并引入了用户评价相似度信任、用户社交关系相似度信任和PageRank信任三个信任度，提出了一种基于综合信任评价的社交网络推荐模型，并在公开数据集上验证我们的算法，本文旨在从信任的角度去剖析推荐项目的准确性和可靠性，从另外一个角度去探讨推荐系统的研究。该基于综合评价信任的社交网络推荐模型构建系统通过对社交网络结构图的分析，挖掘出用户之间的信任关系，建立被推荐用户和邻居用户之间评价相似度信任、社交关系相似度信任和PageRank信任，从而结合上述信任度量方法，构建出用户间的综合评价信任值，实现了准确地量化社交网络中被推荐用户与邻居用户信任关系的目的。通过这种量化的信任关系，改进了利用用户评价相似度来提供推荐服务的传统推荐模型推荐准确率低的弊端，最大化满足社交网络中被推荐用户个性化推荐的需求。

附图说明

图1为本发明实施例公开的获取被推荐用户U_i和邻居用户U_j的评价相似度信任示意图；

图2为本发明实施例公开的获取被推荐用户U_i和邻居用户U_j的社交关系相似信任示意图；

图3为本发明实施例公开的获取被推荐用户U_i和邻居用户U_j的PageRank信任示意图；

图4为本发明实施例公开的一种基于综合评价信任的社交网络推荐模型构建系统构建方法流程图；

图5为本发明实施例公开的实验结果图。

具体实施方式

下面根据附图对本发明进行详细描述，其为本发明多种实施方式中的一种优选实施例。

在一个优选实施例中，一种基于综合评价信任的社交网络推荐模型构建方法，包括如下步骤：初步确认被推荐用户和邻居用户之间的信任关系；建立被推荐用户和邻居用户之间评价相似度信任；建立被推荐用户和邻居用户之间社交关系相似度信任；建立被推荐用户和邻居用户之间PageRank信任；接合步骤(2)-(4)的结果得到用户间的综合评价信任值。

在另一个优选实施例中，可以采用如下方案：一种基于综合评价信任的社交网络推荐模型构建系统，推荐系统计算被推荐用户U_i和邻居用户U_j的评价相似信任度。设是U_i，U_j都参与评分的项目集，通过获取U_i对I_C的评分，获得U_i对I_C的评价向量，记为：通过获取U_j对I_C的评分，获得U_j对I_C的评价向量，记为：I_C项目集总数为n′，则U_i与U_j之间的评价相似度信任值为(图1)：

$Y_{ij}^R=\frac{\underset{l=1}{\overset{n}{\Σ}}{T}_{{\mathrm{ik}}_l}^r\×T_{{\mathrm{jk}}_l}^r}{\sqrt{\underset{l=1}{\overset{n}{\Σ}}{\left(T_{{\mathrm{ik}}_l}^r\right)}^2}\×\sqrt{\underset{l=1}{\overset{n}{\Σ}}{\left(T_{{\mathrm{jk}}_l}^r\right)}^2}}---\left(1\right)$

推荐系统计算被推荐用户U_i和邻居用户U_j的社交关系相似信任度。设U_c＝{U₁,U₂,U₃,...,U_n'}是与U_i，U_j都有直接交互的社交用户集，通过获取U_i与U_c之间的信任关系，获得U_i与U_c的信任用户子集通过获取U_j与U_c之间的信任关系，获得U_j与U_c的信任用户子集U_c社交用户集总数为n′，则U_i与U_j之间的社交关系相似信任值为(图2)：

$T_{ij}^S=\frac{U_{ci}\∩U_{cj}}{U_{ci}\∪U_{cj}}---\left(2\right)$

推荐系统计算用户U_i的PageRank信任度。设U_c＝{U₁,U₂,U₃,...,U_n'}是与U_i有直接交互的社交用户集，通过获取U_i对U_c社交用户集之间的信任关系，获得U_i对U_c的信任向量，记为：通过获取社交用户集U_c与U_i之间的信任关系，获得U_c对U_i的信任向量，记为：U_c通信用户集的总数为n′，则U_i的PageRank信任值为(图3)：

${T_i}^{PR}=q\underset{j\∈Y\left({T_i}^P\right)}{\Σ}\frac{1}{\mathrm{\Σ}X\left({T_i}^P\right)}+(1-q)/n---\left(3\right)$

综合以上信任值，被推荐用户U_i与邻居用户U_j之间的综合评价信任值为：

$T_{ij}={\mathrm{\β}}_1\×T_{ij}^R+{\mathrm{\β}}_2\×T_{ij}^S+{\mathrm{\β}}_3\×T_j^{PR}---\left(4\right)$

其中β是权衡系数，满足条件β₁+β₂+β₃＝1。

基于上述评价相似度信任值社交关系相似信任值和PageRank信任值通过式(4)求得被推荐用户与邻居用户之间的综合评价信任值T_ij。

推荐系统获取被推荐用户的邻居集{u₁,u₂,...,u_n}，获取被推荐用户感兴趣的Item集{I₁,I₂,...,I_n}，邻居集对Item集的评分集合为r_ij通过公式

${\hat{r}}_{ij}=\frac{1}{k}\underset{k=1}{\overset{n}{\Σ}}{r}_{ik}+\frac{\underset{k=1}{\overset{n}{\Σ}}{T}_{ij}(r_{ik}-r_{jk})}{\underset{i=1,j=1}{\overset{n}{\Σ}}{T}_{ij}}---\left(5\right)$

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(图4)。

本发明实验采用真实数据集Epinions(www.Epinions.com)，该数据集包括用户对项目的评分以及用户之间的信任关系，具体数据见表5-1。我们将用户-项目评分数据拆分为80％的训练集和20％的测试集。

表5-1 Epinions数据集

图4为本发明具体实施方式的实验结果，该图表明本发明的模型较传统的协同过滤推荐模型的推荐准确性有明显的提高

算法：

上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种改进，或未经改进直接应用于其它场合的，均在本发明的保护范围之内。

Claims (8)

1.一种基于综合评价信任的社交网络推荐模型构建方法，其特征在于，包括如下步骤：

(1)初步确认被推荐用户和邻居用户之间的信任关系；

(2)建立被推荐用户和邻居用户之间评价相似度信任；

(3)建立被推荐用户和邻居用户之间社交关系相似度信任；

(4)建立被推荐用户和邻居用户之间PageRank信任；

(5)结合步骤(2)-(4)的结果得到用户间的综合评价信任值。

2.如权利要求1所述的基于综合评价信任的社交网络推荐模型构建方法，其特征在于，步骤(1)中通过分析数据初步确认用户之间的信任关系，所述数据包括社交网络结构图。

3.如权利要求1和2所述的基于综合评价信任的社交网络推荐模型构建方法，其特征在于，步骤(2)中，计算被推荐用户U_i和邻居用户U_j的评价相似信任度包括：设是U_i，U_j都参与评分的项目集，通过获取U_i对I_C的评分，获得U_i对I_C的评价向量，记为：通过获取U_j对I_C的评分，获得U_j对I_C的评价向量，记为：I_C项目集总数为n′，则U_i与U_j之间的评价相似度信任值为：

$T_{ij}^R=\frac{\underset{l=1}{\overset{n}{\Σ}}{T}_{{\mathrm{ik}}_l}^r\×T_{{\mathrm{jk}}_l}^r}{\sqrt{\underset{l=1}{\overset{n}{\Σ}}{\left(T_{{\mathrm{ik}}_l}^r\right)}^2}\×\sqrt{\underset{l=1}{\overset{n}{\Σ}}{\left(T_{{\mathrm{jk}}_l}^r\right)}^2}}---\left(1\right).$

4.如权利要求1-3所述的基于综合评价信任的社交网络推荐模型构建方法，其特征在于，步骤(3)中，计算被推荐用户U_i和邻居用户U_j的社交关系相似信任度包括：设U_c＝{U₁,U₂,U₃,...,U_n'}是与U_i，U_j都有直接交互的社交用户集，通过获取U_i与U_c之间的信任关系，获得U_i与U_c的信任用户子集通过获取U_j与U_c之间的信任关系，获得U_j与U_c的信任用户子集U_c社交用户集总数为n′，则U_i与U_j之间的社交关系相似信任值为：

$T_{ij}^S=\frac{U_{ci}\∩U_{cj}}{U_{ci}\∪U_{cj}}---\left(2\right).$

5.如权利要求1-4所述的基于综合评价信任的社交网络推荐模型构建方法，其特征在于，步骤(4)中计算用户U_i的PageRank信任度包括：设U_c＝{U₁,U₂,U₃,...,U_n'}是与U_i有直接交互的社交用户集，通过获取U_i对U_c社交用户集之间的信任关系，获得U_i对U_c的信任向量，记为：通过获取社交用户集U_c与U_i之间的信任关系，获得U_c对U_i的信任向量，记为：U_c通信用户集的总数为n′，则U_i的PageRank信任值为：

${T_i}^{PR}=q\underset{j\∈Y\left({T_i}^P\right)}{\Σ}\frac{1}{\mathrm{\Σ}X\left({T_i}^P\right)}+(1-q)/n---\left(3\right).$

6.如权利要求1-5所述的基于综合评价信任的社交网络推荐模型构建方法，其特征在于，步骤(5)中，计算被推荐用户U_i与邻居用户U_j之间的综合评价信任值为：

$T_{ij}={\mathrm{\β}}_1\×T_{ij}^R+{\mathrm{\β}}_2\×T_{ij}^S+{\mathrm{\β}}_3\×T_j^{PR}---\left(4\right)$

其中β是权衡系数，满足条件β₁+β₂+β₃＝1。

7.如权利要求1-6所述的基于综合评价信任的社交网络推荐模型构建方法，其特征在于，进一步包括步骤(6)：选出评分最高的相邻用户推荐给用户。

8.如权利要求7所述的基于综合评价信任的社交网络推荐模型构建方法，其特征在于，步骤(6)中包括：

(6-1)获取被推荐用户的邻居集{u₁,u₂,...,u_n}；

(6-2)获取被推荐用户感兴趣的Item集{I₁,I₂,...,I_n}；

(6-3)邻居集对Item集的评分集合为r_ij通过公式

${\hat{r}}_{ij}=\frac{1}{k}\underset{k=1}{\overset{n}{\Σ}}{r}_{ik}+\frac{\underset{k=1}{\overset{n}{\Σ}}{T}_{ij}(r_{ik}-r_{jk})}{\underset{i=1,j=1}{\overset{n}{\Σ}}{T}_{ij}}---\left(5\right)$

预测出被推荐用户对Item集的评分；

(6-4)选出评分最高的最优Item推荐给用户。