CN106570090A - 基于兴趣变化和信任关系的协同过滤推荐方法 - Google Patents

Abstract

本发明公开了一种基于兴趣变化和信任关系的协同过滤推荐算法，包括下列主要步骤：(1)融合时间衰减函数计算用户兴趣相似度。(2)构建用户的信任网络计算用户信任度。(3)结合用户兴趣相似度和用户信任度计算用户相似度。(4)预测目标用户对项目的评分。本发明在融合时间衰减函数进行用户兴趣相似度计算基础上，通过对用户与项目之间的评价关系进行网络建模，分析并挖掘出用户之间的信任关系。最后在协同过滤推荐中综合了用户兴趣和信任关系，从而使推荐精确度得到提高。

Description

基于兴趣变化和信任关系的协同过滤推荐方法

技术领域

本发明涉及个性化推荐系统技术，特别涉及一种基于兴趣变化和信任关系的协同过滤推荐方法。

背景技术

推荐系统为解决信息过载的问题而出现，广泛应用于电子商务、电影、视频、音乐阅读、广告等领域。通过分析大量的用户行为日志，推荐系统能够给不同的用户展示不同的个性化页面，提高了网站的点击率和转化率。

目前，主要的推荐策略包括:协同过滤推荐、基于内容的推荐、基于关联规则的推荐和混合推荐。其中，协同过滤推荐算法是应用最成功的技术之一，该算法已经在学术界和工业界得到深入的研究和广泛的应用。协同过滤算法分为基于用户的协同过滤算法和基于项目的协同过滤算法两大类。基于用户的协同过滤算法为用户推荐和该用户兴趣相似的用户喜欢的物品，但现有的基于用户的协同过滤算法未考虑到用户随时间会产生兴趣偏移，以及用户的信任网络的影响，而造成推荐准确率不够理想。

发明内容

本发明解决的问题是提供一种融入时间上下文及信任网络信息的协同过滤推荐方法，更加客观地反映了用户对项目兴趣的变迁以及目标用户信任关系对其偏好选择的影响，推荐结果更加精确。

为解决上述问题，本发明提供了一种融入时间上下文及信任网络信息的协同过滤推荐方法，包括如下步骤：

步骤1.融合时间衰减函数计算用户兴趣相似度。

步骤2.构建用户的信任网络计算用户信任度。

步骤3.结合用户兴趣相似度和用户信任度计算用户相似度。

步骤4.预测目标用户对项目的评分。

基于用户的协同过滤算法通过下面的公式预测用户U对物品i的评分公式如下：

其中，V为用户U的最近邻居，S为用户U的最近邻居集合，R_v,i为用户V对项目i的评分，为用户U对已评项目集合的平均评分,为用户V对已评项目集合的平均评分，Sim(U,V)为用户U和用户V的用户相似度。

步骤1所述的融合时间衰减函数计算用户兴趣相似度，其中时间衰减函数如下：

其中，-1≤t≤1，0＜f(t_u,i)＜1，f(t_u,i)是单调递增函数，表示用户U对项目i进行评分的时间衰减函数，加权值随着时间t的增加而增加，并始终保持在(0,1)的范围内。

步骤1所述的融合时间衰减函数计算用户兴趣相似度，其中用户兴趣相似度计算如下：

其中，I_U,V表示用户U和用户V共同评价过的项目集合，R_u,i为用户U对项目i的评分，R_v,i为用户V对项目i的评分，为用户U对已评项目集合的平均评分,为用户V对已评项目集合的平均评分，f(t_u,i)是时间衰减函数。

步骤2所述的构建用户的信任网络计算用户信任度，用户信任度包括用户直接信任度和用户间接信任度，其中用户直接信任度通过如下公式计算。

其中，IniTD(U,V)表示初始直接信任度，success表示成功交互的次数，failure表示失败交互的次数，γ是代表一次成功交互所占的权重，1-γ则是一次失败交互所占的权重。

其中用户间接信任度通过下面的公式计算。

其中，m为用户U的专家，S为用户U的专家集合，K为与用户U交互过的普通用户集合，TD(U,m)为用户U对其专家m的直接信任度，TD(m,V)为专家m对用户V的直接信任度。

因此用户信任度通过如下公式计算。

Trust(U,V)＝δTD(U,V)+(1-δ)TR(U,V)

其中，TD(U,V)表示用户U和用户V的直接信任度，TR(U,V)表示用户U和用户V的间接信任度，协调因子δ用作协调两方面信任度的权重。

步骤3所述的结合用户兴趣相似度和用户信任度计算用户相似度，具体通过如下公式计算。

其中，η表示信任度所占的权重，1-η表示结合时间的评分相似度所占的权重。

步骤4所述的预测目标用户对项目的评分，其评分预测准确度度量方法如

下：每次对用户待预测评分进行预测，使用平均绝对误差来进行度量，具体的

基于用户的协同过滤算法通过如下公式预测用户u对物品i的评分：

其中，V为用户U的最近邻居，S为用户U的最近邻居集合，R_v,i为用户V对项目i的评分，为用户U对已评项目集合的平均评分，为用户V对已评项目集合的平均评分，T(U,V)为用户U和用户V的用户相似度。

使用上面的公式预测目标用户对项目的评分，然后对评分进行排序，将评分最高的N项目推荐给目标用户。

与现有技术相比，本技术方案具有以下优点：

本发明与现有的融入时间的协同过滤算法或融入信任网络的协同过滤算法相比，更加全面有效的反映了用户兴趣变化和信任网络共同对推荐准确度的影响。

在计算用户的直接信任度时，考虑了成功与失败的权重差异，更加充分地利用数据集中隐含的信任关系信息，使得推荐结果更加准确。

附图说明

图1是本发明流程示意图

图2是用户—项目评分矩阵示例图

图3是用户的信任网络示例图

具体实施方式

为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明推荐方法进行详细说明。

如图1所示，基于兴趣变化和信任关系的协同过滤推荐算法，包括如下步骤：

(1)融合时间衰减函数计算用户兴趣相似度。

图2为用户—项目的评分数据的矩阵示意图，U₁,...,U₄表示4个不同用户，I₁,...,I₅表示5个不同项目，用户评分有5个等级，分别为1、2、3、4、5，如果用户对某项目评分，则在相应位置标出评分等级。

Pearson相关性系数衡量的是两个变量之间的线性相关性，计算用户U、V之间的Pearson相似度公式如下：

其中，V为用户U的最近邻居，S为用户U的最近邻居集合，R_v,i为用户V对项目i的评分，为用户U对已评项目集合的平均评分,为用户V对已评项目集合的平均评分，Sim(U,V)为用户U和用户V的用户相似度。

由于用户兴趣随时间而变化，用户近期行为比很久以前的行为更能体现用户现在的兴趣。本发明引入时间衰减函数，公式如下：

其中，-1≤t≤1，0＜f(t_u,i)＜1，f(t_u,i)是单调递增函数，表示用户U对项目i进行评分的时间衰减函数，加权值随着时间t的增加而增加，并始终保持在(0,1)的范围内。使用标准化转换方法将时间t的变化范围映射到[-1,1]。这样就使得时间衰减函数的加权值随着时间的推移而变化，从而非常有效地刻画出用户兴趣的变化。

协同过滤算法最重要的步骤是目标用户最近邻的形成，本文基于Pearson相关性系数公式融合了时间衰减函数，其用户兴趣相似度公式如下表示。

其中，I_U,V表示用户U和用户V共同评价过的项目集合，R_u,i为用户U对项目i的评分，R_v,i为用户V对项目i的评分，为用户U对已评项目集合的平均评分,为用户V对已评项目集合的平均评分，f(t_u,i)是时间衰减函数。

(2)构建用户的信任网络计算用户信任度。

一个用户U越信任用户V才会与V进行越多的交互，由此本文用下式来表示初始直接信任度。

其中，I_u,I_v表示用户U和用户V已进行过的交互次数，阈值D用来衡量两个用户完全信任对方时的最少交互次数。

仅以用户的评分交互次数来衡量用户之间的信任度是不符合真实情况的。假设用户U和用户V评分交互次数很多，但是U和V交互项目的评分中，有许多评分相差较大，那么在信任度刻画就存在很大偏差。所以引入评估因子ε，如下式所示。

若用户U和用户V对商品c的评分差小于等于ε，就认为这次交互是成功的(success+1)，反之失败(failure+1)。据此，首次调节后的直接信任度TD(U,V)'如下式所示。

其中，IniTD(U,V)表示初始直接信任度，success表示成功交互的次数，failure表示失败交互的次数。

由于在不同场景中，用户之间的一次成功的交互或一次失败的交互所占的权重是不一样的，所以本发明在调整的直接信任度基础上引入奖惩权重来衡量在不同场景中一次成功或失败交互的影响程度，这个权重的选择要根据具体的场景的实际数据来进行训练确定γ参数，如下式所示。

其中，γ是代表一次成功交互所占的权重，1-γ则是一次失败交互所占的权重。

在用户关系网络中区分普通用户和专家用户。普通用户往往对专家用户有较高的信任度，易于接受他的观点。所以本发明在基于现实生活中的这种专家信任因素的影响，如果用户U对某个用户的直接信任度大于等于0.6，则此用户就指定为用户U的专家用户，反之为用户U的普通用户。当用户U存在专家用户时，用户U对用户V的间接信任度就来源于用户V在用户U专家集合间的声誉，用如下公式来刻画间接信任度。

其中，m为用户U的专家，S为用户U的专家集合，TD(U,m)为用户U对其专家m的直接信任度，TD(m,V)为专家m对用户V的直接信任度。

当不存在专家时，用户U对用户V的间接信任度就是整体大众对用户V的平均评价。用如下公式来刻画间接信任度。

其中，m为与用户U交互过的普通用户，K为与用户U交互过的普通用户集合，TD(U,m)为用户U对其交互过的用户m的直接信任度。

若在直接交互过程中，用户U对用户V信任值为负，就不需要另外听取别人的意见。

图3为用户的信任网络示例图。从图中可以看出用户A的直接好友为{B，C，D}，间接好友为{E，F，G，H}。例如，我们要计算A与F间接信任度时，由于用户A的直接好友B，D的直接信任度大于0.6，则B，D是A用户的专家好友，所以用户A与F的间接信任度为：

TR(A,F)＝(0.82×0.72+0.75×0.3)/(0.82+0.75)＝0.52

如果两用之间没有专家好友，则通过整体的普通好友对用户的平均评价来得到间接信任度。例如图中的用户J对用户D的间接信任度，用户J的直接好友为{F，G，H，I}，间接好友为{E，B，C，D，K}，由于与J,D同时相连的直接好友{F,G,H}与J用户的直接信任度都小于0.6，所以对于J对D的信任关系中没有专家好友，则用户J对用户D的间接信任度就由整体的普通好友对用户的平均评价来得到：

TR(J,D)＝(0.3+0.25+0.65+0.75)/4＝0.49

本发明引入协调因子δ用作协调两方面信任度的权重，如下式所示，取值范围为[0，1]。对于δ的取值，采用一种自适应模型来动态取值，这样可以在实际运行中随着条件的改变进行动态调整，从而增强了适应性。可以看出，当TD(U,V)为0时，δ为0，此时完全按照TR(U,V)来计算用户信任度；反之当δ为1时，则完全按照TD(U,V)来计算用户信任度，公式如下：

关于δ，不同用户间的TD(U,V)不同，它对Trust(U,V)的影响程度也不同。Trust(U,V)如下式所示，当TD(U,V)较高时，说明用户此时在直接信任度方面具有更高的信任度。

Trust(U,V)＝δTD(U,V)+(1-δ)TR(U,V)

其中，TD(U,V)表示用户U和用户V的直接信任度，TR(U,V)表示用户U和用户V的间接信任度，协调因子δ用作协调两方面信任度的权重。

(3)结合用户兴趣相似度和用户信任度计算用户相似度。

用户信任度结合用户兴趣相似度得到用户相似度时，分Trust(U,V)是否大于0两种情况，如下式所示：

其中，η表示信任度所占的权重，1-η表示结合时间的评分相似度所占的权重。

(4)预测目标用户对项目的评分。

得到推荐系数后，选取Top-N邻居集合，将预测评分公式的用户相似度改为T(U,V)，其他符号意义相同，为目标用户未评分的项目实现预测估计，公式如下：

其中，T(U,V)是目标用户U与其最近邻居V的用户相似度，V为用户的最近邻居，S为用户U的最近邻居集合，R_v,i为用户V对项目i的评分，为用户U对已评项目集合的平均评分，为用户V对已评项目集合的平均评分。

使用上面的公式预测目标用户对项目的评分，然后对评分进行排序，将评分最高的N项目推荐给目标用户。

Claims (7)

1.基于兴趣变化和信任关系的协同过滤推荐方法，其特征在于该方法包括以下步骤：

步骤1.融合时间衰减函数计算用户兴趣相似度；

步骤2.构建用户的信任网络计算用户信任度；

步骤3.结合用户兴趣相似度和用户信任度计算用户相似度；

步骤4.预测目标用户对项目的评分。

2.根据权利要求1所述的基于兴趣变化和信任关系的协同过滤推荐方法，其特征在于：

基于用户的协同过滤算法通过下面的公式预测用户U对物品i的评分公式如下：

$P_{U,i}=\stackrel{\‾}{U}+\frac{\underset{V\∈S}{\Σ}Sim(U,V)(R_{v,i}-\stackrel{\‾}{V})}{\underset{V\∈S}{\Σ}Sim(U,V)}$

其中，V为用户U的最近邻居，S为用户U的最近邻居集合，R_v,i为用户V对项目i的评分，为用户U对已评项目集合的平均评分,为用户V对已评项目集合的平均评分，Sim(U,V)为用户U和用户V的用户相似度。

3.根据权利要求1所述的基于兴趣变化和信任关系的协同过滤推荐方法，其特征在于：

步骤1所述的融合时间衰减函数计算用户兴趣相似度，其中时间衰减函数如下：

$f\left(t_{u,i}\right)=\frac{1}{1+e^{-t_{u,i}}}$

其中，-1≤t≤1，0＜f(t_u,i)＜1，f(t_u,i)是单调递增函数，表示用户U对项目i进行评分的时间衰减函数，加权值随着时间t的增加而增加，并始终保持在(0,1)的范围内。

4.根据权利要求1所述的基于兴趣变化和信任关系的协同过滤推荐方法，其特征在于：

步骤1所述的融合时间衰减函数计算用户兴趣相似度，其中用户兴趣相似度计算如下：

${\mathrm{sim}}_t(U,V)=\frac{\underset{i\∈I_{U,V}}{\Σ}(R_{u,i}\×f(t_{u,i})-\stackrel{\‾}{U})(R_{v,i}\×f(t_{v,i})-\stackrel{\‾}{V})}{\sqrt{\underset{i\∈I_{U,V}}{\Σ}{(R_{u,i}\×f(t_{u,i})-\stackrel{\‾}{U})}^2}\sqrt{\underset{i\∈I_{U,V}}{\Σ}{(R_{v,i}\×f(t_{v,i})-\stackrel{\‾}{V})}^2}}$

其中，I_U,V表示用户U和用户V共同评价过的项目集合，R_u,i为用户U对项目i的评分，R_v,i为用户V对项目i的评分，为用户U对已评项目集合的平均评分,为用户V对已评项目集合的平均评分，f(t_u,i)是时间衰减函数。

5.根据权利要求1所述的基于兴趣变化和信任关系的协同过滤推荐方法，其特征在于：

步骤2所述的构建用户的信任网络计算用户信任度，用户信任度包括用户直接信任度和用户间接信任度，其中用户直接信任度通过如下公式计算；

$TD(U,V)=IniTD(U,V)\frac{\mathrm{\γ}\×success-(1-\mathrm{\γ})\×failure}{\mathrm{\γ}\×success+(1-\mathrm{\γ})\×failure}$

其中，IniTD(U,V)表示初始直接信任度，success表示成功交互的次数，failure表示失败交互的次数，γ是代表一次成功交互所占的权重，1-_γ则是一次失败交互所占的权重；

其中用户间接信任度通过下面的公式计算；

$TR(U,V)=\left\{\begin{array}{cc}\frac{\underset{m\&Element;s}{\&Sigma;}TD(U,m)TD(m,V)}{\underset{m\&Element;s}{\&Sigma;}TD(U,m)}& \&Exists;S\\ 0& TD(U,V)<0\\ \frac{\underset{m\&Element;s}{\&Sigma;}TD(U,m)}{\left|K\right|}& !\&Exists;S\end{array}\right.$

其中，m为用户U的专家，S为用户U的专家集合，K为与用户U交互过的普通用户集合，TD(U,m)为用户U对其专家m的直接信任度，TD(m,V)为专家m对用户V的直接信任度；

因此用户信任度通过如下公式计算；

Trust(U,V)＝δTD(U,V)+(1-δ)TR(U,V)

其中，TD(U,V)表示用户U和用户V的直接信任度，TR(U,V)表示用户U和用户V的间接信任度，协调因子δ用作协调两方面信任度的权重。

6.根据权利要求1所述的基于兴趣变化和信任关系的协同过滤推荐方法，其特征在于：

步骤3所述的结合用户兴趣相似度和用户信任度计算用户相似度，具体通过如下公式计算；

$T(U,V)=\left\{\begin{array}{cc}0,& Trust(U,V)\&le;0\\ \mathrm{\&eta;}Trust(U,V)+(1-\mathrm{\&eta;}){\mathrm{sim}}_t(U,V),& Trust(U,V)>0\end{array}\right.$

其中，η表示信任度所占的权重，1-η表示结合时间的评分相似度所占的权重。

7.根据权利要求1所述的基于兴趣变化和信任关系的协同过滤推荐方法，其特征在于：

步骤4所述的预测目标用户对项目的评分，其评分预测准确度度量方法如下：每次对用户待预测评分进行预测，使用平均绝对误差来进行度量，具体的基于用户的协同过滤算法通过如下公式预测用户u对物品i的评分：

$P_{U,i}=\stackrel{\&OverBar;}{U}+\frac{\underset{V\&Element;S}{\&Sigma;}T(U,V)(R_{v,i}-\stackrel{\&OverBar;}{V})}{\underset{V\&Element;S}{\&Sigma;}T(U,V)}$

其中，V为用户U的最近邻居，S为用户U的最近邻居集合，R_v,i为用户V对项目i的评分，为用户U对已评项目集合的平均评分，为用户V对已评项目集合的平均评分，T(U,V)为用户U和用户V的用户相似度。