CN110825965A - 一种基于信任机制和时间加权的改进协同过滤推荐方法 - Google Patents

Abstract

本发明公开了一种基于信任机制和时间加权的改进协同过滤推荐方法，包括：根据用户的历史评分的评价时间，对用户的历史评分进行时间加权；根据时间加权处理后的用户评分，计算用户评分相似度；将参与评分次数最多的用户作为价值度最高的标准，将其他用户与该价值度最高的用户相比获得用户价值度；通过衡量用户评分质量获得用户评价权威度；根据用户价值度和用户评价权威度获得用户综合信任度；进而获得用户直接和间接信任度，并得到用户最终信任度；将用户最终信任度与用户评分相似度结合作为最终用户相似度，并进行邻近计算生成推荐列表。本发明主要用于提高传统基于用户的协同过滤算法的推荐质量，并在一定程度上减轻数据稀疏性问题的影响。

Description

一种基于信任机制和时间加权的改进协同过滤推荐方法

技术领域

本发明涉及个性化推荐系统领域，特别涉及到推荐算法领域的协同过滤推荐算法。

背景技术

随着互联网的快速发展，信息的获取越来越便利，但面对如此庞大的信息量，仅凭人力是无法一一浏览并充分利用的，个性化的推荐系统研究由此产生。协同过滤推荐算法是最早出现的一种推荐算法，其分支基于用户的协同过滤算法是最为常见的一种协同过滤算法，它因准确度较高而被广泛使用。

对于系统中的历史评分数据和用户信息，通过分析数据找出与要预测的目标用户相似的一部分用户，根据这部分相似的用户预测目标用户对于没有评分的数据的评分，最后根据预测的评分产生推荐。该算法简单易懂，实现起来比较简单，推荐效果易受各种因素影响，可以优化的方面比较多，传统算法总体上可以分为3个步骤:根据历史的用户评分信息构建用户-物品矩阵、根据上述矩阵构造最近邻居集、已最近邻居为基础预测用户的评分。但传统的基于用户的协同过滤算法其用户相似度计算过程中忽略了很多的问题，比如时间因素对于评分的影响，数据的稀疏性问题，对用户未共同评分项目的考虑等等。

发明内容

针对上述现有技术，本发明提出一种基于信任机制和时间加权的改进协同过滤推荐方法，本发明的结合时间加权和信任机制的改进协同过滤方法主要用于提高传统基于用户的协同过滤算法的推荐质量，并在一定程度上减轻数据稀疏性问题的影响。

为了解决上述技术问题，本发明提出的一种基于信任机制和时间加权的改进协同过滤推荐方法，该方法包括以下步骤：

步骤一、根据用户的历史评分的评价时间，用logistic函数根据时间算出时间加权系数，对用户的历史评分进行时间加权，得到时间加权处理后的用户评分；

步骤二、根据时间加权处理后的用户评分，结合Pearson相似性系数，计算用户评分相似度；

步骤三、将参与评分次数最多的用户作为价值度最高的标准，将其他用户与该价值度最高的用户相比获得用户价值度；通过衡量用户评分质量获得用户评价权威度；根据上述用户价值度和用户评价权威度获得用户综合信任度；

步骤四、利用上述用户综合度对用户评分进行预测并与真实的历史评分作对比，获得用户直接信任度；将用户与没有共同评价的其他用户之间的信任度定义为用户间接信任度；结合直接信任度和间接信任度获得用户最终信任度；

步骤五、将用户最终信任度与用户评分相似度结合作为最终用户相似度，并进行邻近计算，生成推荐列表。

进一步讲，本发明所述的基于信任机制和时间加权的改进协同过滤推荐方法，步骤一中，用logistic函数根据时间算出时间加权系数，对用户的历史评分进行时间加权，具体为：

其中，(t_u,c)表示用户u对项目c评分时的时间，0＜logistic(t_u,c)＜1；logistic函数是艾宾浩斯遗忘曲线，logistic(t_u,c)函数代表时间加权系数。

经过时间加权后：r_u,c＝R_u,c×logistic(t_u,c)，其中，R_u,c代表用户u对项目c的评分，r_u,c代表经过时间加权后用户u对项目c的评分。

步骤三中，所述用户价值度用V来表示，计算公式如下：

其中，E_ui＝{i∈n|r_uc≠0}是目标用户真实参与过的评分，在其中选出系统中参与评分次数最多的用户作为价值度最高的标准，将其他用户与之对比来产生价值度；

所述用户评价权威度用Q表示，计算公式如下：

其中，Q∈[0,1]，

其中S_u＜α，α为平衡参数,表示用户u评分的均值。

综合信任度用Tr表示，计算公式如下：

Tr＝λ×V+(1-λ)×Q，λ为用户价值度和用户评价权威度动态平衡参数，

步骤四中，获取用户直接信任度的具体内容如下：

利用用户综合信任度对用户的评分进行预测，预测公式如下：

其中，TP_u,c为用户u对物品i的预测评分，

为用户v的评分均值，

为用户u的评分均值；将预测评分与真实的历史评分作对比，用户直接信任度函数如下：

其中，

用户间接信任度计算公式如下：

其中，u表示用户u，m表示用户m，v表示用户v，I表示物品；

用户最终信任度计算公式如下：

FTrust(u,v)＝α×MTrust(u,v)+(1-α)×ITrust(u,v)

最终相似度表示如下：

其中，其中ST(u,v)是用户u和用户v的相似—信任矩阵。

与现有技术相比，本发明的有益效果是：

本发明提出了一种新的推荐算法即基于时间加权和信任机制的改进协同过滤推荐算法。它利用用户的历史评分来通过改进算法来更加合理的做出推荐，间接地提高算法的推荐质量，其有益效果主要体现在以下两个方面：

(1)解决了随着时间的变化用户的历史评分在衰减的问题，使经过时间加权处理的数据更加具有价值，得到的推荐也精准。

(2)采用信任机制，进一步缓解数据的稀疏性，挖掘用户之间的间接关系，建立更加紧密的联系，使得到最近邻更加的精确。

附图说明

图1是本发明的基于时间加权和信任机制的改进协同过滤方法流程图；

图2为本发明实施例的用户评价矩阵示意图。

具体实施方式

下面结合附图及具体实施例对本发明做进一步的说明，但下述实施例绝非对本发明有任何限制。

本发明提出了时间加权最近邻选择方法和信任机制来缓解数据的稀疏性以及建立用户之间的间接联系提高用户相似度的精确度，增强联系。利用用户的历史评分来通过改进算法来更加合理的做出推荐，间接地提高算法的推荐质量，从而得到更加具有权威性的推荐。

实施例1

本发明提出的一种基于信任机制和时间加权的改进协同过滤推荐方法，包括以下步骤：

根据用户的历史评分的评价时间，用logistic函数根据时间算出时间加权系数，对用户的历史评分进行时间加权，得到时间加权处理后的用户评分；根据时间加权处理后的用户评分，然后遍历评分数据生成用户-物品的评价据矩阵，结合Pearson相似性系数，计算用户评分相似度；

将参与评分次数最多的用户作为价值度最高的标准，将其他用户与该价值度最高的用户相比获得用户价值度V；通过衡量用户评分质量获得用户评价权威度Q；根据上述用户价值度和用户评价权威度获得用户综合信任度；

利用上述用户综合度对用户评分进行预测并与真实的历史评分作对比，获得用户直接信任度；将用户与没有共同评价的其他用户之间的信任度定义为用户间接信任度；通过用户的直接信任关系，计算未有联系的用户之间的间接信任度，结合直接信任度和间接信任度获得用户最终信任度；

将用户最终信任度与用户评分相似度结合作为最终用户相似度，并进行邻近计算，生成推荐列表。

实施例2

下面结合具体的计算公式、实例对实施例1中的方案进行进一步地介绍。

一、时间加权的计算

该方法使用logistic函数在进行邻居选择之前加权用户和项目的分数。首先记录历史评分的评价时间，用logistic函数根据时间算出时间加权系数对用户的历史评分进行加权：

(t_u,c)表示用户u对项目c评分时的时间，其中取值如下:0＜logistic(t_u,c)＜1。logistic函数是艾宾浩斯遗忘曲线，logistic(t_u,c)函数代表时间加权系数。

经过时间加权后：

r_u,c＝R_u,c×logistic(t_u,c) (2)

R_u,c代表用户u对项目c的评分。r_u,c代表经过时间加权后用户u对项目c的评分。采用Pearson相似度进行计算，用户的相似性以生成最近邻居目标用户集合。计算公式如下：

其中I_u是用户U_a,U_b共同评价过的物品，sim(U_a,U_b)是用户U_a,U_b之间的相似度，分别代表经过时间加权后用户a,b对项目评分均值，r_a,c和r_b,c分别代表经过时间加权后用户a和用户b对项目c的评分。

二、计算直接信任和间接信任度

定义用户价值度用V来表示，计算公式如下：

其中，E_ui＝{i∈n|r_uc≠0}是目标用户真实参与过的评分，在此公式中，选出系统中参与评分次数最多的用户作为价值度最高的标准，将其他用户与之对比来产生价值度。

建立用户的权威值，将通过衡量用户的评分质量来计算用户的权威度，用户评价权威度用Q表示，则用户权威度计算公式如式:

其中Q∈[0,1]，E_u是用户U的评分期望。

其中S_u＜α，α为平衡参数,

表示用户u评分的均值。

计算综合信任值。综合信任值是由上述价值度与权威值共同得来的，以此两个值作为基础，将两个值联合在一起就可得用户的综合信任值Trust，计算公式如式所示：

Tr＝λ×V+(1-λ)×Q (7)

其中，Tr代表用户的综合信任值。

为了动态平衡用户价值度和权威度，参数λ的设置如下：

接下来计算用户之间的相互信任度，可以利用综合信任度对用户的评分进行简单的预测，预测公式如式所示：

其中TP_u,c为用户u对物品c的简单预测评分，

为用户v的评分均值，

为用户u的评分均值。

得到简单测评分后，与真实的历史评分作对比，定义双方的信任度函数如式所示：

其中，

I_u,v表示用户u和用户v共同评价过项目的集合。用户之间除了直接信任，还可以间接信任，用户之间的间接信任度ITrust计算公式如式：

其中ITrust表示用户u和v之间的间接信任度，u表示用户u，m表示用户m，v表示用户v，I表示项目集合。

之后，计算最终信任度。最终信任度有间接信任度与之间信任度结合而来，最终信任的计算公式如式所示：

FTrust(u,v)＝α×MTrust(u,v)+(1-α)×ITrust(u,v) (12)

FTrust(u,v)是用户u和用户v之间的最终信任矩阵。动态参数α是为了平衡直接信任度与间接信任度，增强公式的子调节能力，α取值的表达式如式：

由上述计算公式计算出不同用户之间的最终信任度，最后得到了相似矩阵T_M×M。

三、用户最终相似度计算：

相似矩阵SM×M和信任矩阵TM×M分别反映了用户之间不同方面的关系，相似矩阵可以反映用户评分行为相似程度，信任矩阵可以反映用户之间的信任关系，可以综合两方面来得到信任-相似矩阵STM×M。信任-相似矩阵与用户相似矩阵和用户信任矩阵相比，矩阵非0值的密度大大增加，因此可以缓解数据稀疏性，将相似度和信任度有机结合，可以提高预测用户评分的准确性，合并方法如下公式所示：

其中ST(u,v)是用户u和用户v的相似—信任矩阵。

实施例3：

下面结合具体的实验数据、图1和图2对实施例1和2中的方案进行可行性验证。

一、时间加权的计算

首先根据用户的历史评分记录生成用户-物品评价矩阵，矩阵形式如图2所示。

遍历该矩阵中每一个非零的值，对其进行时间加权处理，得到新的用户评分矩阵。

二、计算直接信任和间接信任度

根据图1的用户-物品的评价矩阵利用公式(4)、式(5)和式(6)计算用户的价值度和权威性，然后，计算得出直接信任度，接下来，计算用户u与其他用户的相互信任度，寻找出和用户u最接近的用户，当某用户给用户u的建议和u的实际评分接近时才有参考意义，用户u才会更信任其给出的评价，相互信任度才会高。

计算间接信任，用户u和没有共同评价的其他用户建立间接信任关系，最后结合直接信任和间接信任得到综合信任矩阵。

三、计算考量了信任度的最终相似度，

根据式(9)得到的信任-相似矩阵STM×M，最终计算出用户u的相似-信任矩阵。

四、进行近邻计算，得出推荐列表

根据图1所示计算出用户相似度后，将除用户u以外的所有用户按他们与用户u的相似度高低进行排序，根据排名结果选择用户作为用户u的最近邻集合，集合的大小可以自拟，通过填充近邻中未评分项最后选出最近邻用户。一般情况下，最近邻用户数量越多，推荐效果越好。然后对用户u没有评价过的物品进行评分预测，计算出所有用户u未评价过的物品的预测评分后，根据评分高低对物品进行排序，选择评分最高的一些物品生成推荐列表，向用户进行推荐。

这样通过本发明得出的推荐，用户的实际评分与算法计算出的预测评分误差更小，因此推荐质量更高。

传统基于用户的协同过滤算法在用户评分相似度计算中，默认历史评分随着时间的变化中，历史评分的价值度是不变的，忽略了用户评分的时效性，过早的评分与近期的评分的影响力也应该是不同的，本发明利用时间加权对历史评分进行时间加权，进一步提高了用户评分相似度的准确度，从而得到更加具有权威性的推荐。

传统基于用户的协同过滤算法在用户评分相似度计算中，不考虑数据的稀疏性造成的推荐的不准确，没有挖掘历史评分中隐藏的用户之间的隐形关系，本发明加入信任机制，通过一定的改进算法在用户之间看似毫无关系的用户找到用户之间间接信任并建立联系，不但降低了数据的稀疏性还给推荐增加了权威性。

尽管上面结合附图对本发明进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨的情况下，还可以做出很多变形，这些均属于本发明的保护之内。

Claims (7)

1.一种基于信任机制和时间加权的改进协同过滤推荐方法，其特征在于，包括以下步骤：

步骤一、根据用户的历史评分的评价时间，用logistic函数根据时间算出时间加权系数，对用户的历史评分进行时间加权，得到时间加权处理后的用户评分；

步骤二、根据时间加权处理后的用户评分，结合Pearson相似性系数，计算用户评分相似度；

步骤三、将参与评分次数最多的用户作为价值度最高的标准，将其他用户与该价值度最高的用户相比获得用户价值度；通过衡量用户评分质量获得用户评价权威度；根据上述用户价值度和用户评价权威度获得用户综合信任度；

步骤四、利用上述用户综合度对用户评分进行预测并与真实的历史评分作对比，获得用户直接信任度；将用户与没有共同评价的其他用户之间的信任度定义为用户间接信任度；结合直接信任度和间接信任度获得用户最终信任度；

步骤五、将用户最终信任度与用户评分相似度结合作为最终用户相似度，并进行邻近计算，生成推荐列表。

2.根据权利要求1所述的基于信任机制和时间加权的改进协同过滤推荐方法，其特征在于，步骤一中，用logistic函数根据时间算出时间加权系数，对用户的历史评分进行时间加权，具体为：

其中，(t_u,c)表示用户u对项目c评分时的时间，0＜logistic(t_u,c)＜1；logistic函数是艾宾浩斯遗忘曲线，logistic(t_u,c)函数代表时间加权系数；

经过时间加权后：r_u,c＝R_u,c×logistic(t_u,c)

其中，R_u,c代表用户u对项目c的评分，r_u,c代表经过时间加权后用户u对项目c的评分。

3.根据权利要求2所述的基于信任机制和时间加权的改进协同过滤推荐方法，其特征在于，步骤三中，所述用户价值度用V来表示，计算公式如下：

其中，E_ui＝{i∈n|r_uc≠0}是目标用户真实参与过的评分，在其中选出系统中参与评分次数最多的用户作为价值度最高的标准，将其他用户与之对比来产生价值度；

所述用户评价权威度用Q表示，计算公式如下：

其中，Q∈[0,1]，E_u是用户U的评分期望；

其中S_u＜α，α为平衡参数,

表示用户u评分的均值；

综合信任度用Tr表示，计算公式如下：

Tr＝λ×V+(1-λ)×Q，

λ为用户价值度和用户评价权威度动态平衡参数，

4.根据权利要求3所述的基于信任机制和时间加权的改进协同过滤推荐方法，其特征在于，步骤四中，获取用户直接信任度的具体内容如下：

利用用户综合信任度对用户的评分进行预测，预测公式如下：

其中，TP_u,c为用户u对物品i的预测评分，

为用户v的评分均值，

为用户u的评分均值；将预测评分与真实的历史评分作对比，用户直接信任度函数如下：

其中，

5.根据权利要求4所述的基于信任机制和时间加权的改进协同过滤推荐方法，其特征在于，步骤四中，用户间接信任度计算公式如下：

其中，u表示用户u，m表示用户m，v表示用户v，I表示物品。

6.根据权利要求5所述的基于信任机制和时间加权的改进协同过滤推荐方法，其特征在于，步骤四中，用户最终信任度计算公式如下：

FTrust(u,v)＝α×MTrust(u,v)+(1-α)×ITrust(u,v)

7.根据权利要求6所述的基于信任机制和时间加权的改进协同过滤推荐方法，其特征在于，步骤四中，最终相似度表示如下：

其中，其中ST(u,v)是用户u和用户v的相似—信任矩阵。

Images