CN109241399A - 一种基于信任和影响力结合的个性化推荐方法 - Google Patents

Abstract

本发明公开了一种基于信任和影响力结合的个性化推荐方法，包括以下步骤：步骤1：构建用户‑项目评分矩阵；步骤2：对用户‑项目已评分矩阵进行计算后得到用户初始直接信任度，使用皮尔逊相关系数度量用户相似度，并结合用户交互频率得到用户对项目的偏好度；步骤3：构建用户‑用户信任矩阵；步骤4：通过信任矩阵计算影响力，并按照影响力强度筛选出预设大小的影响力用户结合，构成用户‑用户影响力矩阵；步骤5：构建及训练模型；步骤6:通过训练好的模型预测用户对未知项目的评分，选择较高评分的项目产生推荐集。本发明有效的整合了评分数据及社交网络等多种信息源，提高了推荐的精确度。

Description

一种基于信任和影响力结合的个性化推荐方法

技术领域

本发明涉及推荐系统和社会网络领域，具体地，涉及基于信任和影响力结合的个性化推荐方法。

背景技术

随着信息时代的发展，互联网上日益庞大的数据流，使得人们想获取所需要的信息变得越来越困难，信息过载成为亟待解决的问题。帮助我们从海量数据中筛选出有用数据的信息过滤技术显得越来越重要，推荐系统正是一种根据用户偏好从大规模数据中找到用户感兴趣数据的理想方法。但在日益复杂的社交网络环境中，用户项目评分矩阵稀疏和信任的弱传递问题仍影响着推荐的精度。提高系统的准确度和性能已成为个性化推荐进一步发展的迫切需求。

在以前的工作中，对推荐算法的研究主要集中在基于领域的协同过滤算法中，如Amazon在2003年提出的基于item的协同过滤算法，目前仍被业界广泛使用。协同过滤算法通过对用户的历史行为数据进行分析，利用行为相似用户对某一item的喜好为目标用户进行推荐。然而协同过滤算法虽然能在一定程度上提高推荐准确率，但是在实际应用中却面临着“数据稀疏”和“冷启动”问题。“数据稀疏”问题是指用户-项目矩阵中空元素过多，有值元素过少从而导致可利用数据过少的问题；“冷启动”问题是指新用户的行为数据过少导致系统无法分析其偏好的问题。

与此同时，随着微博、微信和Twitter等社会化媒体的兴起，如何在社会网络中对推荐问题进一步展开研究，利用社会网络中的社会关系信息来帮助用户对信息进项个性化的过滤和筛选逐步成为研究的热点话题。例如，Massa和Avesani研究了利用信任关系改进协同过滤的方法，他们使用用户间的信任关系矩阵代替寻找相似用户的过程，并且假设这种信任关系不但可以在信任网络中进行传播，还可以对未知的信任值进行预测；Ma等人提出了一种基于矩阵分解的社会化推荐方法，他们通过一个共享的低维潜在用户特征矩阵，将用户间的信任关系网络同评分矩阵结合在一起。

关于用户影响力在社交网络中的应用也成为比较热门的课题。用户都比较倾向于参考具有更高影响力的用户的意见，也就是说在一个社交网络中，不同用户对于其他用户的意见和评价的影响是不同的。综合以上背景，本发明提供了一种基于信任和影响力的个性化推荐方法。

发明内容

本发明的目的是提供一种结合了其他社会因素，具有较高准确率的基于信任和影响力结合的个性化推荐方法。

本发明解决现有技术问题所采用的技术方案：一种基于信任和影响力结合的个性化推荐方法，包括以下步骤：

一种基于信任和影响力结合的个性化推荐方法，包括以下步骤：

步骤1：构建用户-项目评分矩阵；

步骤2：对用户-项目已评分矩阵进行计算后得到用户初始直接信任度T(u，v)。使用皮尔逊相关系数度量计算用户相似度sim(u，v)，并结合用户交互频率得到用户对项目的偏好度P(u，c)；

步骤3：在成功或失败的用户交互中根据用户对项目的偏好度为不同的项目分配不同的权重，得到最终的直接信任度T(u，v)，再利用设置阈值的方式过滤掉信任值小于阈值的方式得出最终的用户-用户信任矩阵；

步骤4：通过信任矩阵计算影响力，并按照影响力强度筛选出预设大小的影响力用户结合，构成用户-用户影响力矩阵；

其中通过信任矩阵计算影响力，并按照影响力强度筛选出预设大小的影响力用户结合，具体为：

步骤4.1：计算边的权值w(i，j)：

边的权值为节点i和节点j信任的权值，且该权值是有向的，即i→j为T(i，j)，w(i，j)＝T(i，j)；

步骤4.2：计算节点的权值w(i)：

节点的权值为该节点出度的边的权值之和，即

其中，T_i ⁺表示用户i的出度集合，即用户i的信任用户集合；

步骤4.3：计算相关重要性p(i，j)：计算公式如下：

步骤4.4：计算影响力C(i，j)：计算公式如下：

其中p(i，j)表示的是用户i对用户j的直接影响力，而p(i，j)p(i，k)表示用户k对用户j的间接影响力；通过设置阈值v_c，将大于v_c的用户保留作为用户j的影响力用户集合。

步骤5：构建及训练模型；

步骤6：通过训练好的模型预测用户对未知项目的评分，选择top-N个评分分的项目集产生最终推荐集。

作为优选，步骤2中，对用户-项目已评分矩阵进行计算后得到用户初始直接信任度的计算公式包括：

其中，用户u和用户v的初始直接信任度为Init(u，v)，取值为(0，1]；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。

作为优选，步骤2中，使用皮尔逊相关系数度量用户相似度的公式包括：

其中，用户u于用户v的相似度为sim(u，v)；I_u，v集合包含的是用户u、v同时评分过的项目；r_u，i和r_v，i分别表示用户u和用户v对项目i的评分；是用户u评分过的项目对应的评分集合H中元素和的均值，计算如下：

同理，意义同上。

作为优选，步骤2中，计算用户-项目偏好度的公式如下：

其中，用户u对项目c的偏好度为P(u，c)；U_c代表对项目c进行过评分的用户集合，m是U_c中的用户。

作为优选，步骤3中，在成功或失败的用户交互中根据用户对项目的偏好度为不同的项目分配不同的权重，得到最终的直接信任度，再利用设置阈值的方式过滤掉信任值小于阈值的方式得出最终的用户-用户信任矩阵的方法包括：

其中，用户u对用户v最终的直接信任度为T(u，v)；若用户u和用户v对商品c的评分之差小于等于ε，就认为这次交互是成功的(success+1)，反之失败(failure+1)；k为设置的用于过滤低信任值的阈值；用户u对项目c的偏好度为P(u，c)。

作为优选，步骤5中，构建并训练融合社会化信息的推荐模型，包括：

步骤5.1：将数据集采用5-折交叉验证方法，将数据集随即且平均划分为5份，依次选取其中1份作为测试机，剩余4份数据作为训练集；

步骤5.2：对训练集中的用户进行评分预测，方法如下：

其中，用户u对项目i的预测评分为b_i代表项目i的偏置；α，β，z，x和θ分别是评分项目，相似用户、信任用户、被信任用户以及影响力用户的个数的参数；对于每个可信用户，而他们的内积表示的是用户w在目标项目i上的影响；s为调和参数，与1-s分别代表用户和项目在计算评分时的权重，同理，δ与1-δ分别代表信任出度和信任入度在计算评分时的权重；p_v、q_u分别表示用户v与u的特征向量，通过计算内积来得出两用户的相似性；同理x_j、y_i分别表示项目j与i的特征向量，为项目之间的相似性；与前两个不同，表示的是用户w对目标项目i所造成的影响；

步骤5.3：构建损失函数J：

其中，C代表对该用户有影响力的用户群体；表示向量或矩阵的L2范数的平方，即各维度数值的平方和；为用户u的信任用户，为信任用户u的用户群体；r_u，i和r_u，j分别代表用户-项目评分矩阵中用户u对项目i及项目j的评分，和则是本次算法计算出的预测评分；P、Q为用户特征矩阵；X、Y代表项目特征矩阵；b表示偏置矩阵；

步骤5.4：创建推荐模型：

从损失函数J中获取用户潜在特征矩阵P和项目潜在特征矩阵X的梯度，并利用梯度下降法对损失函数进行训练。

通过上述技术方案，本发明所述的社交网络中基于信任和影响力结合的个性化推荐方法中，既结合了用户之间的相似因素，又结合了用户之间的信任因素，同时还考虑到用户影响力因素对于推荐结果的影响。

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信任和影响力结合的个性化推荐方法的流程图。

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。

图1是本发明一种基于信任和影响力结合的个性化推荐方法的总体流程图。一种基于信任和影响力结合的个性化推荐方法，包括以下步骤：

步骤1：建立用户-评分矩阵

将评分信息表中的数据具体化为一个矩阵R_m×n，行表示用户，列表示项目，元素r_u，i代表u号用户对i号项目的评分，分数采用五分制，最小值为1，最大值为5。数值越大，说明用户对项目越认可。如表1所示：

表1用户User-项目Item评分矩阵

	项目1	项目2	项目3	项目4
					用户1	2	0	3.5	3
用户2	0	3.5	0	4
					用户3	3.5	0	0	0
用户4	0	0	4	3

步骤2：对用户-项目已评分矩阵进行计算后得到用户初始直接信任度，使用皮尔逊相关系数度量计算用户相似度，并结合用户交互频率得到用户对项目的偏好度，包括以下步骤：

步骤2.1：计算用户初始直接信任度。直接信任来源于主观个体的经验积累。如果两个用户对同一个项目进行了评价就算作是他们之间的一次交互，一个用户u越信任用户v才会与v进行越多次的交互。用户初始直接信任度的计算公式包括：

其中，用户u和用户v的初始直接信任度为Init(u，v)，取值为(0，1]；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。若用户共同评分的商品数目未超过阈值，则这个有效权重就要发挥作用，相反若两个用户共同评分的商品数目超过设定阈值，则权值为1。显然两个用户共同评分的商品数目越少，则分子越小，初始直接信任度对最终直接信任度的贡献就会越少

步骤2.2：使用皮尔逊相关系数度量用户相似度的公式包括：

其中，用户u于用户v的相似度为sim(u，v)；I_u，v集合包含的是用户u、v同时评分过的项目；是用户u评分过的项目对应的评分集合H中元素和的均值，计算如下：

同理，意义同上；

步骤2.3：计算用户-项目偏好度：偏好是隐藏在人们内心中的情感倾向，不是直观的，具有一定的情绪色彩和向往心情，偏好因人而异，比如一本专业书籍，只有特定的人才会给予关注并评分，表明用户确实对这个主题感兴趣；有时偏好也呈现出群体特征，比如，对于日常生活用品，大家都需要购买，这类项目的热度比较大，但这只是一种生活需求，刻画用户内在兴趣的作用比较小；计算用户-项目偏好度的公式如下：

其中，用户u对项目c的偏好度为P(U，c)；U_c代表对项目c进行过评分的用户集合，m是U_c中的用户；由公式可知，用户u与集合U_c中聚集的用户相似程度越大，他对项目c的偏好度就越高。

步骤3：在成功或失败的用户交互中根据用户对项目的偏好度为不同的项目分配不同的权重，得到最终的直接信任度，再利用设置阈值的方式过滤掉信任值小于阈值的方式得出最终的用户-用户信任矩阵的方法如下：

其中，用户u对用户v最终的直接信任度为T(u，v)；若用户u和用户v对商品c的评分之差小于等于ε，就认为这次交互是成功的(success+1)，反之失败(failure+1)；k为设置的用于过滤低信任值的阈值。

步骤4中，通过信任矩阵计算影响力，并按照影响力强度筛选出预设大小的影响力用户结合，构成用户-用户影响力矩阵的方法包括：

步骤4.1：计算边的权值w(i，j)：边的权值为节点i和节点j信任的权值，且该权值是有向的，即i→j为T(i，j)，w(i，j)＝T(i，j)；

步骤4.2：计算节点的权值w(i)：节点的权值为该节点出度的边的权值之和，即

其中，T_i ⁺表示用户i的出度集合，即用户i的信任用户集合；

步骤4.3：计算相关重要性p(i，j)：计算公式如下：

步骤4.4：计算影响力C(i，j)：计算公式如下：

其中p(i，j)表示的是用户i对用户j的直接影响力，而p(i，j)p(i，k)表示用户k对用户j的间接影响力；通过设置阈值v_c，我们将大于v_c的用户保留作为用户j的影响力用户集合。

步骤5，构建并训练融合社会化信息的推荐模型，包括以下步骤：

步骤5.1：将数据集采用5-折交叉验证方法，将数据集随即且平均划分为5份，依次选取其中1份作为测试机，剩余4份数据作为训练集；

步骤5.2：对训练集中的用户进行评分预测，方法如下：

其中，用户u对项目i的预测评分为b_i代表项目i的偏置；α，β，z，x和θ分别是评分项目，相似用户、信任用户、被信任用户以及影响力用户的个数的参数；对于每个可信用户，而他们的内积表示的是用户w在目标项目i上的影响；s为调和参数，与1-s分别代表用户和项目在计算评分时的权重，同理，δ与1-δ分别代表信任出度和信任入度在计算评分时的权重。

步骤5.3：构建损失函数J：

其中，C代表对该用户有影响力的用户群体；为用户u的信任用户，为信任用户u的用户群体；r_u，i和r_u，j分别代表用户-项目评分矩阵中用户u对项目i及项目j的评分，和则是本次算法计算出的预测评分；

步骤5.4：迭代次数加1，当损失函数J小于预设值或迭代次数达到最大迭代次数则满足收敛条件到步骤5.5；否则从损失函数J中获取用户潜在特征矩阵P和项目潜在特征矩阵X的梯度，并利用梯度下降法对损失函数进行训练；

步骤5.5输出收敛了的用户潜在特征矩阵P和项目潜在特征矩阵X，训练过程结束。

步骤6：通过训练好的模型预测用户对未知项目的评分，选择较高评分的项目产生推荐集。

实验：

1、数据集

本发明中使用从著名的社交媒体平台Filmtrust收集来的真实数据来验证推荐性能，具体数据来源于https://www.librec.net/datasets.html。本发明中的数据集包括用户的社交网络信息及用户评分信息。表2给出的是Filmtrust、Ciao、Epinions数据集的统计信息，

表2 FilmTrust数据集的统计信息

数据集	Filmtrust	Ciao	Epinions
				用户	1,508	7,375	40,163
项目	2,071	99,746	139,738
				用户-项目评分数据	35,497	278,483	664,824
稀疏度	1.14％	0.0379％	0.0118％
				用户-用户关系	1,853	111,781	49,289

2、评价标准

为使实验结果更具有说服力，采用5-折交叉验证方法，将数据集随机且平均划分为5份，依次选取其中1份作为测试集，剩余4份数据作为训练集，训练5次模型得到5次实验结果，选取5次结果的平均值作为最终实验结果。和评分预测问题不同的是，本发明使用准确度(precision)和F1分数(Fl-measure)等作为评判标准。与大多数推荐系统类似，将备选项目按评分排序，并推荐前N个项目。对于每个用户，定义P@N以及F1@N为：

3、比较方法与实验结果

实验选取了4个现有的推荐方法，包括GBPR、MostPop、FISM及FST，对于Filmtrust、Ciao、Epinions数据集，本方法设置α、β、z、x设置为达到最好状态的参数，，其他方法使用原始文献中的默认参数，5个方法的实验结果对比如表3、4所示。

表3在precise上的三个数据集的实验结果

表4在F1-Measure上的三个数据集的实验结果

实验结果表明，本发明的方法在不同的N取值情况下，准确度和召回率都优于其他两种方法。可以证明，本发明提出的一种基于信任和影响力结合的个性化推荐方法，能够更好的优化用户和项目的隐含变量，提高了预测的可靠性以及推荐系统的精确性。

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。

Claims (6)

1.一种基于信任和影响力结合的个性化推荐方法，其特征在于，包括以下步骤：

步骤1：构建用户-项目评分矩阵；

步骤2：对用户-项目已评分矩阵进行计算后得到用户初始直接信任度T(u,v)；使用皮尔逊相关系数度量计算用户相似度sim(u,v)，并结合用户交互频率得到用户对项目的偏好度P(u,c)；

步骤3：在成功或失败的用户交互中根据用户对项目的偏好度为不同的项目分配不同的权重，得到最终的直接信任度T(u,v)，再利用设置阈值的方式过滤掉信任值小于阈值的方式得出最终的用户-用户信任矩阵；

步骤4：通过信任矩阵计算影响力，并按照影响力强度筛选出预设大小的影响力用户结合，构成用户-用户影响力矩阵；

其中通过信任矩阵计算影响力，并按照影响力强度筛选出预设大小的影响力用户结合，具体为：

步骤4.1：计算边的权值w(i,j)：

边的权值为节点i和节点j信任的权值，且该权值是有向的，即i→j为T(i,j)，w(i,j)＝T(i,j)；

步骤4.2：计算节点的权值w(i)：

节点的权值为该节点出度的边的权值之和，即

其中，表示用户i的出度集合，即用户i的信任用户集合；

步骤4.3：计算相关重要性p(i,j)：计算公式如下：

步骤4.4：计算影响力C(i,j)：计算公式如下：

其中p(i,j)表示的是用户i对用户j的直接影响力，而p(i,j)p(i,k)表示用户k对用户j的间接影响力；通过设置阈值v_c，将大于v_c的用户保留作为用户j的影响力用户集合；

步骤5：构建及训练模型；

步骤6:通过训练好的模型预测用户对未知项目的评分，选择top-N个评分分的项目集产生最终推荐集。

2.根据权利要求1所述的一种基于信任和影响力结合的个性化推荐方法，其特征在于，步骤2中，对用户-项目已评分矩阵进行计算后得到用户初始直接信任度的计算公式包括：

其中，用户u和用户v的初始直接信任度为Init(u,v)，取值为(0,1]；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。

3.根据权利要求1所述的一种基于信任和影响力结合的个性化推荐方法，其特征在于，步骤2中，使用皮尔逊相关系数度量用户相似度的公式包括：

其中，用户u于用户v的相似度为sim(u,v)；I_u,v集合包含的是用户u、v同时评分过的项目；r_u,i和r_v,i分别表示用户u和用户v对项目i的评分；是用户u评分过的项目对应的评分集合H中元素和的均值，计算如下：

同理，意义同上。

4.根据权利要求1所述的一种基于信任和影响力结合的个性化推荐方法，其特征在于，步骤2中，计算用户-项目偏好度的公式如下：

其中，用户u对项目c的偏好度为P(u,c)；U_c代表对项目c进行过评分的用户集合，m是U_c中的用户。

5.根据权利要求1所述的一种基于信任和影响力结合的个性化推荐方法，其特征在于，步骤3中，在成功或失败的用户交互中根据用户对项目的偏好度为不同的项目分配不同的权重，得到最终的直接信任度，再利用设置阈值的方式过滤掉信任值小于阈值的方式得出最终的用户-用户信任矩阵的方法包括：

其中，用户u对用户v最终的直接信任度为T(u,v)；若用户u和用户v对商品c的评分之差小于等于ε，就认为这次交互是成功的(success+1)，反之失败(failure+1)；k为设置的用于过滤低信任值的阈值；用户u对项目c的偏好度为P(u,c)。

6.根据权利要求1所述的一种基于信任和影响力结合的个性化推荐方法，其特征在于，步骤5中，构建并训练融合社会化信息的推荐模型，包括：

步骤5.1：将数据集采用5-折交叉验证方法，将数据集随即且平均划分为5份，依次选取其中1份作为测试机，剩余4份数据作为训练集；

步骤5.2：对训练集中的用户进行评分预测，方法如下：

其中，用户u对项目i的预测评分为b_i代表项目i的偏置；α,β,z，x和θ分别是评分项目，相似用户、信任用户、被信任用户以及影响力用户的个数的参数；对于每个可信用户，而他们的内积表示的是用户w在目标项目i上的影响；s为调和参数，与1-s分别代表用户和项目在计算评分时的权重，同理，δ与1-δ分别代表信任出度和信任入度在计算评分时的权重；p_v、q_u分别表示用户v与u的特征向量，通过计算内积来得出两用户的相似性；同理x_j、y_i分别表示项目j与i的特征向量，为项目之间的相似性；与前两个不同，表示的是用户w对目标项目i所造成的影响；

步骤5.3：构建损失函数J：

其中，C代表对该用户有影响力的用户群体；表示向量或矩阵的L2范数的平方，即各维度数值的平方和；为用户u的信任用户，为信任用户u的用户群体；r_u,i和r_u,j分别代表用户-项目评分矩阵中用户u对项目i及项目j的评分，和则是本次算法计算出的预测评分；P、Q为用户特征矩阵；X、Y代表项目特征矩阵；b表示偏置矩阵；

步骤5.4：创建推荐模型：

从损失函数J中获取用户潜在特征矩阵P和项目潜在特征矩阵X的梯度，并利用梯度下降法对损失函数进行训练。