CN109948067A - 一种融合信任用户隐语义lr模型的信息推送方法及系统 - Google Patents

Abstract

本发明公开了一种融合信任用户隐语义LR模型的信息推送方法及系统。该方法包括：获取并根据目标用户的信任用户列表以及电商系统的所有用户，确定与目标用户不存在信任关系的用户；根据目标用户的信任用户和非信任用户，对分类模型进行训练；采用训练后的分类模型对电商系统的所有用户进行分类，得到目标用户在电商系统中所有的信任用户；根据各用户对商品的评分，确定目标用户的相似用户；根据信任用户和相似用户对商品的评分，预测目标用户对商品的评分；根据预测得到的目标用户对商品的评分，确定是否向目标用户推送所述商品。本发明结合用户的信任因素向用户推送可能感兴趣的信息，提高了对用户推荐的准确率。

Description

一种融合信任用户隐语义LR模型的信息推送方法及系统

技术领域

本发明涉及一种融合信任用户隐语义LR模型的信息推送方法及系统。

背景技术

随着互联网的高速发展，信息呈现爆炸性增长，出现了“信息过载”的问题。面对如此浩繁的信息，如何快速获取用户感兴趣的信息成为了学者研究的热点。在这个背景下，推荐系统应运而生。协同过滤推荐策略在个性化推荐服务上被广泛的应用，是目前最成功的推荐技术之一，但其受到了评分数据稀松、用户冷启动等问题的限制，影响了系统对用户推荐的准确率。

发明内容

本发明的目的是提供一种融合信任用户隐语义LR模型的信息推送方法及系统，通过结合用户的信任因素，确定并推送用户可能感兴趣的信息，克服了传统推送方法中评分数据稀松、用户冷启动等问题的限制，提高了对用户推荐的准确率。

为实现上述目的，本发明提供了如下方案：

一种融合信任用户隐语义LR模型的信息推送方法，所述方法应用于电商系统，所述电商系统包括：评价模块和信任评选模块，所述评价模块包括用户对各商品的评价，所述信任评选模块包括用户信任列表，所述用户信任列表由所述用户评选出的信任用户所组成的列表；

所述方法包括：

获取目标用户的信任用户列表以及所述电商系统的所有用户；

根据目标用户的信任用户列表以及所述电商系统的所有用户，确定与所述目标用户不存在信任关系的用户；

将所述目标用户和其信任列表中的各用户所构成的向量作为正样本，将所述目标用户和与其不存在信任关系的用户所构成的向量作为负样本，对分类模型进行训练，得到训练后的分类模型，所述分类模型为隐语义逻辑回归模型；

采用训练后的分类模型对所述电商系统的所有用户进行分类，得到所述目标用户在所述电商系统中所有的信任用户；

根据各用户对商品的评分，确定所述目标用户的相似用户；

根据相关用户集中各用户在信任网络中的信任度以及相关用户集中各用户在商品评分系统中的评价水平确定相关用户集中各用户的权重，所述信任网络为由用户与其信任用户所组成的网络，所述相关用户集为所述目标用户的信任用户与相似用户所构成的集合；

根据相关用户集中各用户对商品的评分以及相关用户集中各用户的权重，预测目标用户对所述商品的评分；

根据预测得到的目标用户对所述商品的评分，确定是否向所述目标用户推送所述商品。

可选的，所述根据目标用户的信任用户列表以及所述电商系统的所有用户，确定与所述目标用户不存在信任关系的用户，具体包括：

确定所述目标用户的初始非信任用户，所述初始非信任用户由所述电商系统中的所有用户除去所述目标用户的信任用户得到；

从所述初始非信任用户中去除关联信任用户，得到与所述目标用户不存在信任关系的用户，所述关联信任用户为与所述目标用户具有相同的信任用户的初始非信任用户。

可选的，所述根据各用户对商品的评分，确定所述目标用户的相似用户，具体包括：

根据计算用户与所述目标用户的相似度sim(x,y)，其中，分别代表的是用户x、y的平均评分，r_x,i、r_y,i分别代表的是用户x、y对商品i的具体评分值，I_xy代表的是共同被用户x、y评分过的商品集合；

将与所述目标用户的相似度不等于零的用户确定为所述目标用户的相似用户。

可选的，所述根据相关用户集中各用户在信任网络中的信任度以及相关用户集中各用户在商品评分系统中的评价水平确定相关用户集中各用户的权重，具体包括：

根据计算相关用户集中用户y在信任网络中的信任度trust(G,y)，其中，Indg(G,y)代表在信任网络中节点y的入度，Indg(G,.)则代表网络中所有节点的入度集合；

根据计算相关用户集中用户y在商品评分系统中的评价水平rat(R,y)，其中，R为用户评分矩阵，r(y)为目标用户y有过评分的商品集，r_yi为目标用户y对商品i的评分，为商品i的平均评分值；

根据计算相关用户集中用户y的权重weight(y)，其中，rating(R,y)归一化处理后的目标用户y的评价水平。

可选的，所述根据相关用户集中各用户对商品的评分以及所述目标用户的权重，预测目标用户对所述商品的评分，具体包括：

根据预测所述目标用户对所述商品的评分其中，weight(y)为相关用户集中用户y的权重，N_x为目标用户x的相关用户集，r_y,i为用户y对商品i的评分，为用户y的平均评分，为用户x的平均评分。

可选的，所述根据预测得到的目标用户对所述商品的评分，确定是否向所述目标用户推送所述商品，具体包括：

根据预测得到的评分从高到低对各商品进行排序；

向所述目标用户推送序列中前M个商品。

本发明还提供了一种融合信任用户隐语义LR模型的信息推送系统，所述系统应用于电商系统，所述电商系统包括：评价模块和信任评选模块，所述评价模块包括用户对各商品的评价，所述信任评选模块包括用户信任列表，所述用户信任列表由所述用户评选出的信任用户所组成的列表；

所述系统包括：

用户信息获取模块，用于获取目标用户的信任用户列表以及所述电商系统的所有用户；

非信任用户确定模块，用于根据目标用户的信任用户列表以及所述电商系统的所有用户，确定与所述目标用户不存在信任关系的用户；

分类模型训练模块，用于将所述目标用户和其信任列表中的各用户所构成的向量作为正样本，将所述目标用户和与其不存在信任关系的用户所构成的向量作为负样本，对分类模型进行训练，得到训练后的分类模型，所述分类模型为隐语义逻辑回归模型；

信任用户确定模块，用于采用训练后的分类模型对所述电商系统的所有用户进行分类，得到所述目标用户在所述电商系统中所有的信任用户；

相似用户确定模块，用于根据各用户对商品的评分，确定所述目标用户的相似用户；

权重确定模块，用于根据相关用户集中各用户在信任网络中的信任度以及相关用户集中各用户在商品评分系统中的评价水平确定相关用户集中各用户的权重，所述信任网络为由用户与其信任用户所组成的网络，所述相关用户集为所述目标用户的信任用户与相似用户所构成的集合；

商品评分预测模块，用于根据相关用户集中各用户对商品的评分以及相关用户集中各用户的权重，预测目标用户对所述商品的评分；

信息推送模块，用于根据预测得到的目标用户对所述商品的评分，确定是否向所述目标用户推送所述商品。

可选的，所述非信任用户确定模块，具体包括：

初始非信任用户确定单元，用于确定所述目标用户的初始非信任用户，所述初始非信任用户由所述电商系统中的所有用户除去所述目标用户的信任用户得到；

非信任用户确定单元，用于从所述初始非信任用户中去除关联信任用户，得到与所述目标用户不存在信任关系的用户，所述关联信任用户为与所述目标用户具有相同的信任用户的初始非信任用户。

可选的，所述相似用户确定模块，具体包括：

相似度计算单元，用于根据计算用户与所述目标用户的相似度sim(x,y)，其中，分别代表的是用户x、y的平均评分，r_x,i、r_y,i分别代表的是用户x、y对商品i的具体评分值，I_xy代表的是共同被用户x、y评分过的商品集合；

相似用户确定单元，用于将与所述目标用户的相似度不等于零的用户确定为所述目标用户的相似用户。

可选的，所述权重确定模块，具体包括：

信任度计算单元，用于根据计算相关用户集中用户y在信任网络中的信任度trust(G,y)，其中，Indg(G,y)代表在信任网络中节点y的入度，Indg(G,.)则代表网络中所有节点的入度集合；

评价水平计算单元，用于根据计算相关用户集中用户y在商品评分系统中的评价水平rat(R,y)，其中，R为用户评分矩阵，r(y)为目标用户y有过评分的商品集，r_yi为目标用户y对商品i的评分，为商品i的平均评分值；

权重计算单元，用于根据计算相关用户集中用户y的权重weight(y)，其中，rating(R,y)归一化处理后的目标用户y的评价水平；

所述商品评分预测模块，具体包括：

商品评分预测单元，用于根据预测所述目标用户对所述商品的评分其中，weight(y)为相关用户集中用户y的权重，N_x为目标用户x的相关用户集，r_y,i为用户y对商品i的评分，为用户y的平均评分，为用户x的平均评分；

所述信息推送模块，具体包括：

排序单元，用于根据预测得到的评分从高到低对各商品进行排序；

推送单元，用于向所述目标用户推送序列中前M个商品。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的融合信任用户隐语义LR模型的信息推送方法及系统，确定了目标用户的相似用户，并通过获取用户的信任用户列表确定了目标用户的信任用户，根据相似用户以及信任用户对商品的评分，预测目标用户对商品的评分，进而根据预测的评分对目标用户进行信息推送。本发明在确定用户可能感兴趣的信息时，结合了用户的信任因素，克服了传统推送方法中评分数据稀松、用户冷启动等问题的限制，提高了对用户推荐的准确率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例融合信任用户隐语义LR模型的信息推送方法流程图；

图2为本发明实施例融合信任用户隐语义LR模型的信息推送系统结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种融合信任用户隐语义LR模型的信息推送方法及系统，通过结合用户的信任因素，确定并推送用户可能感兴趣的信息，克服了传统推送方法中评分数据稀松、用户冷启动等问题的限制，提高了对用户推荐的准确率。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

在现实生活中，人们不仅要考虑兴趣因素，信任因素也一定程度上影响着目标用户的决策。信任增强推荐系统使用的知识来自于能够生成个性化推荐信息的信任网络。该网络中用户接受根据信任网络排在较前位置的一些推荐物品，或者甚至是他们信任网络中可信朋友的推荐。

引入社交网络信任关系，将其融合到推荐过程中，可以更有利于提炼出用户的兴趣偏好信息，一定程度上缓解了数据稀疏和冷启动问题，增强推荐的可靠性。因此，本发明通过利用用户间的显式信任网络来实现对用户间未知信任关系的预测，形成用户信任网络模型，接着将其融入到信息推荐方法之中，以提升整体的推荐效果。

本发明提供的融合信任用户隐语义LR模型的信息推送方法应用于电商系统，该电商系统具备两种功能。第一，用户通过购买商品后，可以对商品作出评价，包括提供评分以及文字评论等信息；第二，系统需要提供一个“信任机制”的功能——由用户通过对他人的商品点评质量的优劣做出判断，如果相信、认可某人的评价行为(从而对其产生了信任的可能性)，可将他纳入信任列表。

也就是说应用本发明提供的信息推送方法的电商系统包括：评价模块和信任评选模块，所述评价模块包括用户对各商品的评价，所述信任评选模块包括用户信任列表，所述用户信任列表由所述用户评选出的信任用户所组成的列表。

如图1所示，本发明提供的融合信任用户隐语义LR模型的信息推送方法包括以下步骤：

步骤101：获取目标用户的信任用户列表以及所述电商系统的所有用户；

步骤102：根据目标用户的信任用户列表以及所述电商系统的所有用户，确定与所述目标用户不存在信任关系的用户；

步骤103：将所述目标用户和其信任列表中的各用户所构成的向量作为正样本，将所述目标用户和与其不存在信任关系的用户所构成的向量作为负样本，对分类模型进行训练，得到训练后的分类模型，所述分类模型为隐语义逻辑回归模型；

步骤104：采用训练后的分类模型对所述电商系统的所有用户进行分类，得到所述目标用户在所述电商系统中所有的信任用户；

步骤105：根据各用户对商品的评分，确定所述目标用户的相似用户；

步骤106：根据相关用户集中各用户在信任网络中的信任度以及相关用户集中各用户在商品评分系统中的评价水平确定相关用户集中各用户的权重，所述信任网络为由用户与其信任用户所组成的网络，所述相关用户集为所述目标用户的信任用户与相似用户所构成的集合；

步骤107：根据相关用户集中各用户对商品的评分以及相关用户集中各用户的权重，预测目标用户对所述商品的评分；

步骤108：根据预测得到的目标用户对所述商品的评分，确定是否向所述目标用户推送所述商品。

其中，步骤101具体包括：

a.获取电商系统中用户的信任列表数据，并统一用户的标号；

a中获取到目标用户，名为AAA，以及对应的信任列表{AAB,AAC,...}(代表信任用户名称的集合)，为了计算机表示的方便，可以将其按序转化为整数序号，如{1:AAA,2:AAB,3:AAC,...}，从而得到目标用户1以及对应的信任列表{2,3,...}，记所有用户组成的集合为U，便于后续的计算。

b.构建信任关系数据集；

b中为了构建信任关系数据集，可以将目标用户x所对应的信任列表Trust(x)＝{x′₁,x′₂,...}，表示成两者之间存在信任关系，看成分类问题的正标签，输入为两个用户的序号，即(x,x′),x′∈Trust(x)，输出为1；相应地，对于目标用户x来说，他与其余不位于信任列表的用户，他们之间不存在信任关系，从而看成分类问题的负标签，输入为这两个用户，即(x,y),y∈U-Trust(x)，输出为0。

步骤102具体包括：

确定所述目标用户的初始非信任用户，所述初始非信任用户由所述电商系统中的所有用户除去所述目标用户的信任用户得到；

从所述初始非信任用户中去除关联信任用户，得到与所述目标用户不存在信任关系的用户，所述关联信任用户为与所述目标用户具有相同的信任用户的初始非信任用户。

进一步解释如下：

采用随机欠采样的方式对原始信任关系数据集进行处理，解决正负样本不均衡问题。

随机欠采样具体过程如下：

通过获取用户与其对应的信任列表信息，把用户x看作网络中的节点x，若用户y位于用户x的信任列表当中，则节点x→节点y，代表了用户x信任用户y，其形成了用户的直接信任网络。按照如下公式计算出信任网络中任意用户x与y的共同传递邻居s_xy；

s_xy＝|Γ_out(x)∩Γ_in(y)| (1)

其中，Γ_out(x)代表信任网络中用户x的指出邻居集合；Γ_in(y)代表信任网络中指向用户y的邻居集合，则节点x与节点y的共同传递邻居数则为Γ_out(x)与Γ_in(y)共同的部分。

通过分析用户x与任意用户y的共同传递邻居s_xy的大小，从而过滤部分与目标用户x相关的负样本集(x,y),y∈U-Trust(x)。具体的过滤方法为：当s_xy＞0时，过滤这个负样本，否则保留，使得剩余的负样本满足(x,y),y∈U-Trust(x)，且s_xy＝0。

接着，对这些目标用户x相关的负样本集进行随机选择与正样本集Trust(x)比例一致(1:1的关系)的样本，实现了正负样本均衡。

步骤103具体包括：

隐语义逻辑回归(Logistic Regression，简记LR)模型的训练过程(分类模型的训练过程)具体如下：

首先，对输入的信任用户i和被信任用户j分别生成一个维度为用户集大小n＝|U|的表示向量x_i与x′_j，这两个向量分别代表用户的信息。对于用户i而言，向量的第i的位置取值为1，其余所有位置则为0，这样的方式类似于对用户进行稀疏编码。

接着对稀疏向量x_i与x′_j采用嵌入(embedding)向量化的方式去进行提取输入两个用户的特点。具体地，对于信任输入用户i形成的稀疏编码向量x_i与嵌入矩阵W_embed相乘，从而得到低维的向量v_i，该过程为：

同样地，对于被信任输入用户j形成的稀疏编码向量x_j与嵌入矩阵W′_embed相乘，从而得到低维的向量v_j，该过程为：

由此可知，两者的维度是一样的，均为R^K×n，其中K代表向量化的维度，n代表用户集U的大小。经向量化的作用，输入的稀疏编码向量x_i与x′_j可以转化成低维稠密向量v_i与v′_j。

然后，将向量化后的v_i与v′_j拼成一个向量v⁽ⁱ⁾，作为逻辑回归模型的输入特征向量，并建立了模型学习的最优化目标函数(损失函数)，如下所示：

联合2～5，使用梯度下降法可以求解出模型中的回归系数w、偏置b以及嵌入矩阵W_embed、W′_embed。其中，y_i为类标，具体为0或1；N为样本总数。

由式2、3、4可以实现对任意的信任用户i和被信任用户j的信任值的预测，从而表示出信任网络中从节点i指向节点j的可能性。相应地，为了增强扩展后信任网络的可靠性，下面引入信任度阈值θ的方式来进行筛选可靠的信任关系。当计算出来的用户i与用户j的预测信任值时，则添加到原有的信任网络之中，当时，则进行过滤。经过这样的方式，可以增强扩展信任网络的可靠性，从而形成用户信任网络模型G(V,E)，其中V代表用户节点的集合，E代表用户间信任的连边集合。

步骤105具体包括：

计算用户与所述目标用户的相似度sim(x,y)：

其中，分别代表的是用户x、y的平均评分，r_x,i、r_y,i分别代表的是用户x、y对商品i的具体评分值，I_xy代表的是共同被用户x、y评分过的商品集合；

将与所述目标用户的相似度不等于零的用户确定为所述目标用户的相似用户。

步骤106具体包括：

根据计算相关用户集中用户y在信任网络中的信任度trust(G,y)，其中，Indg(G,y)代表在信任网络中节点y的入度，Indg(G,.)则代表网络中所有节点的入度集合；

根据计算相关用户集中用户y在商品评分系统中的评价水平rat(R,y)，其中，R为用户评分矩阵，r(y)为目标用户y有过评分的商品集，r_yi为目标用户y对商品i的评分，为商品i的平均评分值；

根据计算相关用户集中用户y的权重weight(y)，其中，rating(R,y)归一化处理后的目标用户y的评价水平，

步骤107具体包括：

根据预测所述目标用户对所述商品的评分其中，weight(y)为相关用户集中用户y的权重，N_x为目标用户x的相关用户集，r_y,i为用户y对商品i的评分，为用户y的平均评分，为用户x的平均评分。

步骤108具体包括：

根据预测得到的评分从高到低对各商品进行排序；

向所述目标用户推送序列中前M个商品。

本发明还提供了一种融合信任用户隐语义LR模型的信息推送系统，该系统应用于电商系统，所述电商系统包括：评价模块和信任评选模块，所述评价模块包括用户对各商品的评价，所述信任评选模块包括用户信任列表，所述用户信任列表由所述用户评选出的信任用户所组成的列表；

如图2所示，本发明提供的融合信任用户隐语义LR模型的信息推送系统包括：

用户信息获取模块201，用于获取目标用户的信任用户列表以及所述电商系统的所有用户；

非信任用户确定模块202，用于根据目标用户的信任用户列表以及所述电商系统的所有用户，确定与所述目标用户不存在信任关系的用户；

分类模型训练模块203，用于将所述目标用户和其信任列表中的各用户所构成的向量作为正样本，将所述目标用户和与其不存在信任关系的用户所构成的向量作为负样本，对分类模型进行训练，得到训练后的分类模型，所述分类模型为隐语义逻辑回归模型；

信任用户确定模块204，用于采用训练后的分类模型对所述电商系统的所有用户进行分类，得到所述目标用户在所述电商系统中所有的信任用户；

相似用户确定模块205，用于根据各用户对商品的评分，确定所述目标用户的相似用户；

权重确定模块206，用于根据相关用户集中各用户在信任网络中的信任度以及相关用户集中各用户在商品评分系统中的评价水平确定相关用户集中各用户的权重，所述信任网络为由用户与其信任用户所组成的网络，所述相关用户集为所述目标用户的信任用户与相似用户所构成的集合；

商品评分预测模块207，用于根据相关用户集中各用户对商品的评分以及相关用户集中各用户的权重，预测目标用户对所述商品的评分；

信息推送模块208，用于根据预测得到的目标用户对所述商品的评分，确定是否向所述目标用户推送所述商品。

其中，所述非信任用户确定模块202，具体包括：

初始非信任用户确定单元，用于确定所述目标用户的初始非信任用户，所述初始非信任用户由所述电商系统中的所有用户除去所述目标用户的信任用户得到；

非信任用户确定单元，用于从所述初始非信任用户中去除关联信任用户，得到与所述目标用户不存在信任关系的用户，所述关联信任用户为与所述目标用户具有相同的信任用户的初始非信任用户。

所述相似用户确定模块205，具体包括：

相似度计算单元，用于根据计算用户与所述目标用户的相似度sim(x,y)，其中，分别代表的是用户x、y的平均评分，r_x,i、r_y,i分别代表的是用户x、y对商品i的具体评分值，I_xy代表的是共同被用户x、y评分过的商品集合；

相似用户确定单元，用于将与所述目标用户的相似度不等于零的用户确定为所述目标用户的相似用户。

所述权重确定模块206，具体包括：

信任度计算单元，用于根据计算相关用户集中用户y在信任网络中的信任度trust(G,y)，其中，Indg(G,y)代表在信任网络中节点y的入度，Indg(G,.)则代表网络中所有节点的入度集合；

评价水平计算单元，用于根据计算相关用户集中用户y在商品评分系统中的评价水平rat(R,y)，其中，R为用户评分矩阵，r(y)为目标用户y有过评分的商品集，r_yi为目标用户y对商品i的评分，为商品i的平均评分值；

权重计算单元，用于根据计算相关用户集中用户y的权重weight(y)，其中，rating(R,y)归一化处理后的目标用户y的评价水平；

所述商品评分预测模块207，具体包括：

商品评分预测单元，用于根据预测所述目标用户对所述商品的评分其中，weight(y)为相关用户集中用户y的权重，N_x为目标用户x的相关用户集，r_y,i为用户y对商品i的评分，为用户y的平均评分，为用户x的平均评分；

所述信息推送模块208，具体包括：

排序单元，用于根据预测得到的评分从高到低对各商品进行排序；

推送单元，用于向所述目标用户推送序列中前M个商品。

本发明提供的融合信任用户隐语义LR模型的信息推送方法及系统，确定了目标用户的相似用户，并通过获取用户的信任用户列表确定了目标用户的信任用户，根据相似用户以及信任用户对商品的评分，预测目标用户对商品的评分，进而根据预测的评分对目标用户进行信息推送。本发明在确定用户可能感兴趣的信息时，结合了用户的信任因素，克服了传统推送方法中评分数据稀松、用户冷启动等问题的限制，提高了对用户推荐的准确率。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种融合信任用户隐语义LR模型的信息推送方法，其特征在于，所述方法应用于电商系统，所述电商系统包括：评价模块和信任评选模块，所述评价模块包括用户对各商品的评价，所述信任评选模块包括用户信任列表，所述用户信任列表由所述用户评选出的信任用户所组成的列表；

所述方法包括：

获取目标用户的信任用户列表以及所述电商系统的所有用户；

根据目标用户的信任用户列表以及所述电商系统的所有用户，确定与所述目标用户不存在信任关系的用户；

将所述目标用户和其信任列表中的各用户所构成的向量作为正样本，将所述目标用户和与其不存在信任关系的用户所构成的向量作为负样本，对分类模型进行训练，得到训练后的分类模型，所述分类模型为隐语义逻辑回归模型；

采用训练后的分类模型对所述电商系统的所有用户进行分类，得到所述目标用户在所述电商系统中所有的信任用户；

根据各用户对商品的评分，确定所述目标用户的相似用户；

根据相关用户集中各用户在信任网络中的信任度以及相关用户集中各用户在商品评分系统中的评价水平确定相关用户集中各用户的权重，所述信任网络为由用户与其信任用户所组成的网络，所述相关用户集为所述目标用户的信任用户与相似用户所构成的集合；

根据相关用户集中各用户对商品的评分以及相关用户集中各用户的权重，预测目标用户对所述商品的评分；

根据预测得到的目标用户对所述商品的评分，确定是否向所述目标用户推送所述商品。

2.根据权利要求1所述的融合信任用户隐语义LR模型的信息推送方法，其特征在于，所述根据目标用户的信任用户列表以及所述电商系统的所有用户，确定与所述目标用户不存在信任关系的用户，具体包括：

确定所述目标用户的初始非信任用户，所述初始非信任用户由所述电商系统中的所有用户除去所述目标用户的信任用户得到；

从所述初始非信任用户中去除关联信任用户，得到与所述目标用户不存在信任关系的用户，所述关联信任用户为与所述目标用户具有相同的信任用户的初始非信任用户。

3.根据权利要求1所述的融合信任用户隐语义LR模型的信息推送方法，其特征在于，所述根据各用户对商品的评分，确定所述目标用户的相似用户，具体包括：

根据计算用户与所述目标用户的相似度sim(x,y)，其中，分别代表的是用户x、y的平均评分，r_x,i、r_y,i分别代表的是用户x、y对商品i的具体评分值，I_xy代表的是共同被用户x、y评分过的商品集合；

将与所述目标用户的相似度不等于零的用户确定为所述目标用户的相似用户。

4.根据权利要求1所述的融合信任用户隐语义LR模型的信息推送方法，其特征在于，所述根据相关用户集中各用户在信任网络中的信任度以及相关用户集中各用户在商品评分系统中的评价水平确定相关用户集中各用户的权重，具体包括：

根据计算相关用户集中用户y在信任网络中的信任度trust(G,y)，其中，Indg(G,y)代表在信任网络中节点y的入度，Indg(G,.)则代表网络中所有节点的入度集合；

根据计算相关用户集中用户y在商品评分系统中的评价水平rat(R,y)，其中，R为用户评分矩阵，r(y)为目标用户y有过评分的商品集，r_yi为目标用户y对商品i的评分，为商品i的平均评分值；

根据计算相关用户集中用户y的权重weight(y)，其中，rating(R,y)归一化处理后的目标用户y的评价水平。

5.根据权利要求1所述的融合信任用户隐语义LR模型的信息推送方法，其特征在于，所述根据相关用户集中各用户对商品的评分以及所述目标用户的权重，预测目标用户对所述商品的评分，具体包括：

根据预测所述目标用户对所述商品的评分其中，weight(y)为相关用户集中用户y的权重，N_x为目标用户x的相关用户集，r_y,i为用户y对商品i的评分，为用户y的平均评分，为用户x的平均评分。

6.根据权利要求1所述的融合信任用户隐语义LR模型的信息推送方法，其特征在于，所述根据预测得到的目标用户对所述商品的评分，确定是否向所述目标用户推送所述商品，具体包括：

根据预测得到的评分从高到低对各商品进行排序；

向所述目标用户推送序列中前M个商品。

7.一种融合信任用户隐语义LR模型的信息推送系统，其特征在于，所述系统应用于电商系统，所述电商系统包括：评价模块和信任评选模块，所述评价模块包括用户对各商品的评价，所述信任评选模块包括用户信任列表，所述用户信任列表由所述用户评选出的信任用户所组成的列表；

所述系统包括：

用户信息获取模块，用于获取目标用户的信任用户列表以及所述电商系统的所有用户；

非信任用户确定模块，用于根据目标用户的信任用户列表以及所述电商系统的所有用户，确定与所述目标用户不存在信任关系的用户；

分类模型训练模块，用于将所述目标用户和其信任列表中的各用户所构成的向量作为正样本，将所述目标用户和与其不存在信任关系的用户所构成的向量作为负样本，对分类模型进行训练，得到训练后的分类模型，所述分类模型为隐语义逻辑回归模型；

信任用户确定模块，用于采用训练后的分类模型对所述电商系统的所有用户进行分类，得到所述目标用户在所述电商系统中所有的信任用户；

相似用户确定模块，用于根据各用户对商品的评分，确定所述目标用户的相似用户；

权重确定模块，用于根据相关用户集中各用户在信任网络中的信任度以及相关用户集中各用户在商品评分系统中的评价水平确定相关用户集中各用户的权重，所述信任网络为由用户与其信任用户所组成的网络，所述相关用户集为所述目标用户的信任用户与相似用户所构成的集合；

商品评分预测模块，用于根据相关用户集中各用户对商品的评分以及相关用户集中各用户的权重，预测目标用户对所述商品的评分；

信息推送模块，用于根据预测得到的目标用户对所述商品的评分，确定是否向所述目标用户推送所述商品。

8.根据权利要求7所述的融合信任用户隐语义LR模型的信息推送系统，其特征在于，所述非信任用户确定模块，具体包括：

初始非信任用户确定单元，用于确定所述目标用户的初始非信任用户，所述初始非信任用户由所述电商系统中的所有用户除去所述目标用户的信任用户得到；

非信任用户确定单元，用于从所述初始非信任用户中去除关联信任用户，得到与所述目标用户不存在信任关系的用户，所述关联信任用户为与所述目标用户具有相同的信任用户的初始非信任用户。

9.根据权利要求7所述的融合信任用户隐语义LR模型的信息推送系统，其特征在于，所述相似用户确定模块，具体包括：

相似度计算单元，用于根据计算用户与所述目标用户的相似度sim(x,y)，其中，分别代表的是用户x、y的平均评分，r_x,i、r_y,i分别代表的是用户x、y对商品i的具体评分值，I_xy代表的是共同被用户x、y评分过的商品集合；

相似用户确定单元，用于将与所述目标用户的相似度不等于零的用户确定为所述目标用户的相似用户。

10.根据权利要求7所述的融合信任用户隐语义LR模型的信息推送系统，其特征在于，所述权重确定模块，具体包括：

信任度计算单元，用于根据计算相关用户集中用户y在信任网络中的信任度trust(G,y)，其中，Indg(G,y)代表在信任网络中节点y的入度，Indg(G,.)则代表网络中所有节点的入度集合；

评价水平计算单元，用于根据计算相关用户集中用户y在商品评分系统中的评价水平rat(R,y)，其中，R为用户评分矩阵，r(y)为目标用户y有过评分的商品集，r_yi为目标用户y对商品i的评分，为商品i的平均评分值；

权重计算单元，用于根据计算相关用户集中用户y的权重weight(y)，其中，rating(R,y)归一化处理后的目标用户y的评价水平；

所述商品评分预测模块，具体包括：

商品评分预测单元，用于根据预测所述目标用户对所述商品的评分其中，weight(y)为相关用户集中用户y的权重，N_x为目标用户x的相关用户集，r_y,i为用户y对商品i的评分，为用户y的平均评分，为用户x的平均评分；

所述信息推送模块，具体包括：

排序单元，用于根据预测得到的评分从高到低对各商品进行排序；

推送单元，用于向所述目标用户推送序列中前M个商品。