CN111198991A - 一种基于信任度和专家用户的协同过滤推荐方法 - Google Patents

一种基于信任度和专家用户的协同过滤推荐方法 Download PDF

Info

Publication number
CN111198991A
CN111198991A CN202010004435.9A CN202010004435A CN111198991A CN 111198991 A CN111198991 A CN 111198991A CN 202010004435 A CN202010004435 A CN 202010004435A CN 111198991 A CN111198991 A CN 111198991A
Authority
CN
China
Prior art keywords
user
trust
users
value
expert
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010004435.9A
Other languages
English (en)
Inventor
段振春
徐蔚鸿
陈沅涛
丁林
蔡周沁雄
刘燚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changsha University of Science and Technology
Original Assignee
Changsha University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changsha University of Science and Technology filed Critical Changsha University of Science and Technology
Priority to CN202010004435.9A priority Critical patent/CN111198991A/zh
Publication of CN111198991A publication Critical patent/CN111198991A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提出了一种基于信任度和专家用户的协同过滤推荐方法。涉及推荐方法领域，该方法将评分信息、信任信息和专家用户集成到推荐模型中，减少了数据稀疏性和冷启动问题。信任值通过用户相似度和评分物品相关度计算获得；专家用户通过全局信任度、活跃性、评分差异性来选取；将专家填充到信任列表中，扩充信任关系，缓解其稀疏性和冷启动问题；用信任值代替二值信任关系，有效的提高推荐系统的准确度。经实验验证，该方法在评价指标(MAE和RMSE)上优于现有社会化推荐算法。

Description

一种基于信任度和专家用户的协同过滤推荐方法
技术领域
本发明属于推荐算法和社交网络领域，具体地，一种基于信任度和专家用户的协同过滤推荐方法。
背景技术
随着互联网技术的快速发展和在线服务的普及，人们获取的信息呈现爆炸式增长的态势，这给人们的生活带来很大的便利，但大量冗余的数据干扰了人们对所需信息的选择，这就是信息过载问题。如何从海量数据中快速有效地获取所需的信息变得越来越困难。信息检索技术虽能在一定程度上解决信息过载问题，但它提供的更多的是用户主动去茫茫大海中打捞所需数据，无法实现用户的个性化需求，而推荐算法作为一种重要的信息过滤技术，是解决“信息过载”问题的有效手段，现已成为了当今学术研究的热点问题。推荐系统根据用户的历史行为如需求、兴趣、点击、收藏等，通过推荐算法向用户提供可能感兴趣的产品和信息。对用户而言，推荐算法能帮助用户在海量信息中快速寻找到自己所需信息；对商家而言，推荐算法能帮助其更好的把商品销售给特定的用户，增强用户的忠诚度。目前，推荐系统在众多应用领域中取得了较大进展，包括电子商务(如淘宝、京东)、社交网络(如腾讯、Twitter)、新闻推送(如今日头条，Google News)等。
目前，协同过滤算法是应用最广泛的推荐技术之一。协同过滤算法只需要用户与项目之间的交互信息，而不需要用户之间、项目之间的信息，其通常是利用用户的历史数据进行建模，但由于存在数据稀疏的问题，导致了协同过滤算法不能准确地根据用户的评分数据计算用户之间或项目之间的相似性，从而影响算法的推荐性能。为了解决数据稀疏的问题，一些学者提出挖掘数据中的隐式反馈信息来提高推荐算法处理数据稀疏问题的能力。在推荐系统中，新用户和新项目相关的评分数据较少，协同过滤算法不能准确地找到相似的用户或项目，不能为新注册用户推荐合适的项目，为了解决这类冷启动问题，一些研究者提出利用用户与用户间的社交关系进行建模，提出很多社会化推荐算法，可以有效地提升推荐性能。人们在生活中作出某种选择之前会听取朋友的意见，选择结果常常受到朋友的影响。随着互联网技术的飞速发展，目前已有很多网站建立了用户之间的社交关系网络。已有研究表明，合理利用用户的社交关系，可以有效缓解冷启动问题，进而产生更多有意义的推荐。
社会化推荐算法在解决冷启动问题时不仅利用了用户-物品评分信息，还结合了用户间的社交关系信息。对于一个新用户，只要社会网络中存在与此用户有直接或间接社交关系的用户，就可以根据这种社交关系和已知用户的评分信息，进而对新用户产生推荐。
发明内容
针对现推荐算法存在冷启动问题和数据稀疏性问题，本发明的目的是在于提供一种基于信任度和专家用户的协同过滤推荐方法，本发明通过从用户-项目评分信息、用户-用户信任关系信息中挖掘出用户之间的信任程度以及专家信息，降低了传统推荐方法中信任数据稀疏性问题以及用户冷启动问题，提高了推荐质量。
为实现上述目的，本发明采用以下技术方案：
一种基于信任度和专家用户的协同过滤推荐方法，包括如下步骤：
(1)读取数据集数据，利用5-折交叉验证方法得到训练集和测试集；
(2)构建用户-项目评分矩阵，并对评分值进行归一化处理；
(3)构建用户-用户信任矩阵；
(4)计算用户平均评分值；
(5)计算社交网络中每个用户的入度；
(6)用户信任值计算，采用融合项目数量和皮尔逊相关系数来计算用户之间的信任值；
(7)专家选取，综合考虑全局信任度、用户活跃性以及用户评分差异性来计算用户成为专家的可能性，选取可能性最大的用户当作是专家；
(8)对用户-项目评分矩阵进行矩阵分解，将高维评分矩阵分解成用户潜在特征矩阵和项目潜在特征矩阵两个低维矩阵的乘积；
(9)将用户信任矩阵的信任关系使用用户信任值进行量化，将高维的信任矩阵分解成信任者潜在特征矩阵和被信任者潜在特征矩阵的乘积；
(10)为了将这些特征矩阵进行桥接，把信任者潜在特征矩阵和用户潜在特征矩阵进行合并；
(11)使用用户潜在特征向量、用户过去评分行为以及用户信任好友对其评分的影响来构建新的潜在用户特征向量；
(12)使用新的在用户特征向量和项目潜在特征向量的乘积以及用户评分平均值、用户偏置、物品偏置来构建预测评分计算公式；
(13)计算真实评分值和预测评分值的误差的评分，建立目标函数；
(14)通过梯度下降法来更新各种参数；
(15)利用RMSE和MAE对本方法的性能好坏进行评估。
所述步骤(1)中的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，剩余四份作为训练集；
所述步骤(2)中的构建用户-项目评分矩阵，分别读取数据集中的第一列、第二列和第三列，分别得到用户编号、项目编号和对应的评分值，构建一个字典，存取这些数据；对评分值进行归一化处理，具体计算如下：
Figure BDA0002354716840000021
上式中，ru,j代表用户u对项目j的评分值，min代表整个社交网络中评分最低值，max代表这个社交网络中评分最高值，通过此公式可以将评分值的范围固定在[0,1]，便于后续的计算；
所述步骤(3)中的构建用户-用户信任矩阵，分别读取数据集中的第一列和第二列，分别得到用户编号、用户编号，构建一个字典，存取这些数据；
所述步骤(4)中计算用户平均评分值，具体计算如下：
对整个社交网络的评分值进行累加求和，然后除以总的评分个数，公式如下：
Figure BDA0002354716840000031
所述步骤(5)中计算社交网络中每个用户的入度，统计每个用户被其他用户信任的次数；
所述步骤(6)中用户信任值计算，计算过程分为两部分，具体计算如下：
第一部分：先统计用户u和用户v各自评过分的项目数量，再统计用户u和用户v共同评过分项目的数量，得到用户u对用户v的评分物品相关度：
Figure BDA0002354716840000032
式(3)中Iu和Iv分别表示用户u和用户v评过分的项目，confu,v代表用户u和用户v共同评分的项目数量和用户u评分的项目数量之比；
第二部分：进行皮尔逊相关系数计算：
Figure BDA0002354716840000033
式(4)中ru,j表示用户u对项目j的评分，
Figure BDA0002354716840000034
表示用户u的平均评分，rv,j表示用户v对项目j的评分，
Figure BDA0002354716840000035
表示用户v的平均评分；
最终得到用户的信任值：
Figure BDA0002354716840000036
所述步骤(7)中专家选取，从专家的特征出发，定义了选取专家的三个指标，具体如下：
用户的全局信任度使用global(u)表示，在社交网络中，如果用户被信任的次数越多，则全局信任度就越大，则此用户成为专家的可能性越大，用公式来表示：
Figure BDA0002354716840000037
上式中max和min分别为社交网络中用户入度的最大值和最小值。k是用户u的入度，代表用户u被其他用户信任的次数；
用户的活跃性使用Activityu表示，活跃性通过用户对物品的评分数量来刻画，评分数量多说明用户在系统中越活跃。用户u的活跃性表示为：
Figure BDA0002354716840000041
其中Nu表示用户u对物品的评分数量。
用户的评分差异性使用Differencesu表示，用户对不同的物品评分值有差异，如果同一用户对不同物品的评分值差异越大，那么表明该用户表达自己的想法很客观；如果同一用户对不同物品的评分差异不大，则不能体现用户对物品的客观评价，专家用户的评分差异性应该越大越好，利用用户对物品的评分值方差来度量用户u的评分差异性，计算公式为：
Figure BDA0002354716840000042
最终得到用户成为专家的可能性：
Figure BDA0002354716840000043
根据效果选择前几个最大可能性作为专家用户填充信任列表。
所述步骤(8)中将用户-项目评分矩阵R分解为两个低维的用户特征矩阵
Figure BDA0002354716840000044
和项目特征矩阵
Figure BDA0002354716840000045
的乘积，具体计算如下：
R≈PTQ(10)
所述步骤(9)中量化是指使用步骤(6)将信任关系{0,1}转换成[0,1]，接着将信任矩阵
Figure BDA0002354716840000046
分解为两个低维的信任者特征矩阵Pdxm和受信者特征矩阵Wdxm的乘积，具体计算如下：
Figure BDA0002354716840000047
所述步骤(10)中为了将这些特征矩阵进行桥接，使信任者特征矩阵Pdxm和用户特征矩阵
Figure BDA0002354716840000048
相同，即为同一个；
所述步骤(11)中构建新的潜在用户特征向量，具体计算如下：
新的潜在用户特征向量包括三个部分：
第一部分，信任者特征矩阵即用户特征矩阵；第二部分，用户过去评分行为对未来评分的影响
Figure BDA0002354716840000049
第三部分，用户信任用户评分行为对其评分的影响
Figure BDA00023547168400000410
总的如下：
Figure BDA00023547168400000411
所述步骤(12)中构建预测评分，具体计算如下：
预测评分包括两大部分，第一部分是全局偏置、用户偏置和物品偏置，即bu+bj+μ；
第二部分是新的潜在用户特征向量和潜在项目特征向量的内积，即：
Figure BDA0002354716840000051
综上所述，把两部分进行组合得到最终的预测评分：
Figure BDA0002354716840000052
所述步骤(13)中建立目标函数，使用真实评分值和预测评分值的误差以及正则项来构建目标函数，具体计算如下：
Figure BDA0002354716840000053
其中Uj表示对项目j评分的用户集合，Ui表示对项目i评分的用户集合，Trustedv表示信任用户v的用户集合，同样地，Tv也包括两部分，一部分是被用户直接信任的用户，第二部分是专家用户，专家用户是被每一个用户都信任的。
所述步骤(14)中通过梯度下降法来更新各种参数，具体计算如下：
Figure BDA0002354716840000054
Figure BDA0002354716840000055
Figure BDA0002354716840000056
Figure BDA0002354716840000057
Figure BDA0002354716840000058
Figure BDA0002354716840000059
其中eu,j表示用户u对项目j的评级预测误差，即：
Figure BDA00023547168400000510
eu,v表示用户u对用户v的信任预测误差，即：
Figure BDA00023547168400000511
所述步骤(15)中利用RMSE和MAE对本方法的性能好坏进行评估，具体计算如下：
Figure BDA0002354716840000061
Figure BDA0002354716840000062
其中ru,j代表用户u对项目j的实际评分，而
Figure BDA0002354716840000063
代表用户u对项目j的预测评分，N表示整个测试集的评分数量。当MAE和RMSE值越小时，预测精度越高。
附图说明
图1一种基于信任度和专家用户的协同过滤推荐方法流程图。
具体实施方式
下面通过附图及实施例对本发明进行详细的说明，本发明包括但不仅限于下述实施例。
本发明提出一种基于信任度和专家用户的协同过滤推荐方法，该方法基于用户项目评分和用户间的信任关系，通过修改皮尔逊相似度计算方法，将二值信任关系转化为信任度，且通过深入挖掘挑选专家用户，并将其填入到信任列表，完善了信任列表的内容结构。本发明充分使用了用户间的信任关系和评分信息，综合考虑了用户间的信任强度的差异、信任好友的评分、用户的全局信任度、用户的活跃性以及用户评分的差异性。实验验证，本发明有效缓解用户冷启动问题，降低推荐误差，提高推荐性能。
参照附图1，对本发明的具体步骤描述如下：
步骤1，计算物品相关度。
根据数据集中的数据，先统计用户u和用户v各自评过分的项目数量，再统计用户u和用户v共同评过分项目的数量，得到用户u对用户v的评分物品相关度：
Figure BDA0002354716840000064
式(1)中Iu和Iv分别表示用户u和用户v评过分的项目，confu,v代表用户u和用户v共同评分的项目数量和用户u评分的项目数量之比；
步骤2，通过皮尔逊相关系数计算相似度。
社交网络中，两用户间对一些项目有靠近的评分，则认为这两用户有较高的相似性，可通过下式来计算：
Figure BDA0002354716840000065
式(2)中ru,j表示用户u对项目j的评分，
Figure BDA0002354716840000066
表示用户u的平均评分，rv,j表示用户v对项目j的评分，
Figure BDA0002354716840000067
表示用户v的平均评分；
步骤3，通过物品相关度和皮尔逊相关系数来计算信任值。
把步骤1和步骤2进行结合，得到信任值计算：
Figure BDA0002354716840000071
其中k是控制物品相关度的参数，通过步骤1，2，3可将二值信任关系转化为信任值。
步骤4：用户全局信任度计算。
用户的全局信任度使用global(u)表示，在社交网络中，如果用户被信任的次数越多，则全局信任度就越大，则此用户成为专家的可能性越大，用公式来表示：
Figure BDA0002354716840000072
上式中max和min分别为社交网络中用户入度的最大值和最小值。k是用户u的入度，代表用户u被其他用户信任的次数；
步骤5：用户活跃性计算。
用户的活跃性使用Activityu表示，活跃性通过用户对物品的评分数量来刻画，评分数量多说明用户在系统中越活跃。用户u的活跃性表示为：
Figure BDA0002354716840000073
其中Nu表示用户u对物品的评分数量。
步骤6：用户评分差异性计算。
用户的评分差异性使用Differencesu表示，用户对不同的物品评分值有差异，如果同一用户对不同物品的评分值差异越大，那么表明该用户表达自己的想法很客观；如果同一用户对不同物品的评分差异不大，则不能体现用户对物品的客观评价，专家用户的评分差异性应该越大越好，利用用户对物品的评分值方差来度量用户u的评分差异性，计算公式为：
Figure BDA0002354716840000074
步骤7：专家选取准则。
通过步骤4、5、6，最终得到用户成为专家的可能性：
Figure BDA0002354716840000075
步骤8：填充信任列表。
选择前几个最大可能性作为专家用户填充到用户的信任列表，即认为每一个用户都应当信任专家用户。
步骤9：计算评分预测值。
用户u对项目j的预测评分为：
Figure BDA0002354716840000076
其中，bu+bj+μ为偏置项，bu表示全局偏置，bj表示用户偏置，μ表示物品偏置；
Figure BDA0002354716840000081
表示项目特征向量，pu表示用户特征向量，
Figure BDA0002354716840000082
表示用户过去评分行为对未来评分的影响，
Figure BDA0002354716840000083
表示用户信任用户评分行为对其评分的影响，Iu表示用户u评分过的物品集合，Trustu表示用户u信任的用户集合，Trustu由两部分组成，一部分是用户u有直接信任关系的用户，另一部分是用户u应该信任的专家用户，即通过步骤8加入的专家用户。
通过目标函数来确定预测评分中的参数值，从而得到预测值。
目标函数通过使用真实评分值和预测评分值的误差以及正则项来构建，具体计算如下：
Figure BDA0002354716840000084
其中Uj表示对项目j评分的用户集合，Ui表示对项目i评分的用户集合，Trustedv表示信任用户v的用户集合，接下来，对bu,bj,pu,qj,yi,wv运用梯度下降法进行更新，使得目标函数能得到局部最小值。
Figure BDA0002354716840000085
Figure BDA0002354716840000086
Figure BDA0002354716840000087
Figure BDA0002354716840000088
Figure BDA0002354716840000089
Figure BDA00023547168400000810
其中eu,j表示用户u对项目j的评级预测误差，即：
Figure BDA00023547168400000811
eu,v表示用户u对用户v的信任预测误差，即：
Figure BDA00023547168400000812
该方法的具体实例如下：
本方法在数据集Film Trust和Ciao DVD上进行了实验，并与其他推荐算法进行比较。
数据集Film Trust包含了1508位用户对2071部电影的35497条评分信息，以及1642位用户之间的1853条信任关系，信任关系表示了用户对其他用户是否产生信任，如果一个用户信任另一用户，在数据集中用1表示，否则用0表示。其中评分值在0.5～4之间。
数据集Ciao DVD包含了7375位用户对99746部电影的278483条评分信息，其中评分值在1～5之间，以及7375位用户的111781条信任关系。本方法统计了这2个数据集的相关信息。
表1 2个数据集统计信息
Figure BDA0002354716840000091
该方法在衡量推荐性能时，为了预测评分的准确度，采用推荐系统中广泛使用的平均绝对误差(mean absolute error,MAE)和均方根误差(root mean squared error,RMSE)两个评价指标，计算公式如下：
Figure BDA0002354716840000092
Figure BDA0002354716840000093
当MAE和RMSE值越小时，预测精度越高。
实验结果如下：
表2在Film Trust和Ciao DVD数据集的精度表现
Figure BDA0002354716840000094
以上对本发明实施一种基于信任度和专家用户的协同过滤推荐方法进行了详细介绍，以上实施的说明只是用于帮助理解本发明的方法及核心思想。对于本领域的一般技术人员，依据本发明的思想，在具体实施方式会有变动，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种基于信任度和专家用户的协同过滤推荐方法，其特征在于包括如下步骤：
(1)数据来源：从数据集中把用户-项目评分数据和用户-用户信任数据作为数据样本，通过五次交叉验证将数据划分为训练集和测试集；
(2)用户信任值计算：采用融合项目数量和皮尔逊相关系数来计算用户之间的信任值；
(3)专家选取：综合考虑全局信任度、用户活跃性以及用户评分差异性来计算用户成为专家的可能性，选取可能性最大的几个用户当作是专家；
(4)基于信任度和专家用户的协同过滤推荐方法：将新计算的用户信任值来代替传统的二值信任关系以便提高推荐质量；将选出来的专家添加到用户-用户信任列表，一方面降低信任列表的稀疏性，另一方面有效降低了用户冷启动问题。
2.根据权利要求1所述的一种基于信任度和专家用户的协同过滤推荐方法，其特征在于，所述数据集为Film Trust和Ciao DVD推荐系统数据集。
3.根据权利要求1所述的一种基于信任度和专家用户的协同过滤推荐方法，其特征在于，所述用户信任值计算分为两部分：
第一部分：先统计用户u和用户v各自评过分的项目数量，再统计用户u和用户v共同评过分项目的数量，得到用户u对用户v的评分物品相关度：
Figure FDA0002354716830000011
式(1)中Iu和Iv分别表示用户u和用户v评过分的项目，confu,v代表用户u和用户v共同评分的项目数量和用户u评分的项目数量之比；
第二部分：进行皮尔逊相关系数计算：
Figure FDA0002354716830000012
式(2)中ru,j表示用户u对项目j的评分，
Figure FDA0002354716830000013
表示用户u的平均评分，rv,j表示用户v对项目j的评分，
Figure FDA0002354716830000014
表示用户v的平均评分；
最终得到用户的信任值：
Figure FDA0002354716830000015
即上式3表示信任值的最终计算。
4.根据权利要求1所述的一种基于信任度和专家用户的协同过滤推荐方法，其特征在于，选取专家用户的具体做法如下：
用户的全局信任度使用global(u)表示，在社交网络中，如果用户被信任的次数越多，则全局信任度就越大，则此用户成为专家的可能性越大，用公式来表示：
Figure FDA0002354716830000021
式(4)中max和min分别为社交网络中用户入度的最大值和最小值，k是用户u的入度，代表用户u被其他用户信任的次数；
用户的活跃性使用Activityu表示，活跃性通过用户对物品的评分数量来刻画，评分数量多说明用户在系统中越活跃，用户u的活跃性表示为：
Figure FDA0002354716830000022
其中Nu表示用户u对物品的评分数量；
用户的评分差异性使用Differencesu表示，用户对不同的物品评分值有差异，如果同一用户对不同物品的评分值差异越大，那么表明该用户表达自己的想法很客观；如果同一用户对不同物品的评分差异不大，则不能体现用户对物品的客观评价，专家用户的评分差异性应该越大越好，利用用户对物品的评分值方差来度量用户u的评分差异性，计算公式为：
Figure FDA0002354716830000024
最终得到用户成为专家的可能性：
Figure FDA0002354716830000023
根据效果选择前几个最大可能性作为专家用户填充信任列表。
5.根据权利要求1所述的一种基于信任度和专家用户的协同过滤推荐方法，其特征在于，所述将新计算的用户信任值来代替传统的二值信任关系以便提高推荐质量，传统的做法都是把用户之间的{0,1}二值信任关系作为将要拟合的值，在本方法中，对信任关系进行量化将其转化为[0,1]值，更精确的表明用户之间的信任程度。
6.根据权利要求1所述的一种基于信任度和专家用户的协同过滤推荐方法，其特征在于，将选出来的专家添加到用户-用户信任列表，在社交网络中，冷启动用户对于环境而言是陌生的，会跟随专家用户的喜好，通过专家用户的选取并将其填充到信任数据中，能更好的表示专家用户作用于普通用户的影响。
CN202010004435.9A 2020-01-03 2020-01-03 一种基于信任度和专家用户的协同过滤推荐方法 Pending CN111198991A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010004435.9A CN111198991A (zh) 2020-01-03 2020-01-03 一种基于信任度和专家用户的协同过滤推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010004435.9A CN111198991A (zh) 2020-01-03 2020-01-03 一种基于信任度和专家用户的协同过滤推荐方法

Publications (1)

Publication Number Publication Date
CN111198991A true CN111198991A (zh) 2020-05-26

Family

ID=70746700

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010004435.9A Pending CN111198991A (zh) 2020-01-03 2020-01-03 一种基于信任度和专家用户的协同过滤推荐方法

Country Status (1)

Country Link
CN (1) CN111198991A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113343666A (zh) * 2021-06-29 2021-09-03 深圳前海微众银行股份有限公司 评分的置信度的确定方法、装置、设备及存储介质
CN117333203A (zh) * 2023-12-01 2024-01-02 广东付惠吧数据服务有限公司 一种结合商业营销解决方案的会员营销平台

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090112989A1 (en) * 2007-10-24 2009-04-30 Microsoft Corporation Trust-based recommendation systems
US20170351769A1 (en) * 2016-06-02 2017-12-07 introduce.social Inc. System and Method for a Platform to Identify and Connect Like-Minded Individuals Based on Interaction
CN109241399A (zh) * 2018-07-11 2019-01-18 杭州电子科技大学 一种基于信任和影响力结合的个性化推荐方法
CN109918562A (zh) * 2019-01-18 2019-06-21 重庆邮电大学 一种基于用户社区和评分联合社区的推荐方法
CN110334286A (zh) * 2019-07-10 2019-10-15 南京工业大学 一种基于信任关系的个性化推荐方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090112989A1 (en) * 2007-10-24 2009-04-30 Microsoft Corporation Trust-based recommendation systems
US20170351769A1 (en) * 2016-06-02 2017-12-07 introduce.social Inc. System and Method for a Platform to Identify and Connect Like-Minded Individuals Based on Interaction
CN109241399A (zh) * 2018-07-11 2019-01-18 杭州电子科技大学 一种基于信任和影响力结合的个性化推荐方法
CN109918562A (zh) * 2019-01-18 2019-06-21 重庆邮电大学 一种基于用户社区和评分联合社区的推荐方法
CN110334286A (zh) * 2019-07-10 2019-10-15 南京工业大学 一种基于信任关系的个性化推荐方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张凯涵;梁吉业;赵兴旺;王智强;: "一种基于社区专家信息的协同过滤推荐算法" *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113343666A (zh) * 2021-06-29 2021-09-03 深圳前海微众银行股份有限公司 评分的置信度的确定方法、装置、设备及存储介质
CN117333203A (zh) * 2023-12-01 2024-01-02 广东付惠吧数据服务有限公司 一种结合商业营销解决方案的会员营销平台
CN117333203B (zh) * 2023-12-01 2024-04-16 广东付惠吧数据服务有限公司 一种结合商业营销解决方案的会员营销平台

Similar Documents

Publication Publication Date Title
CN107391687B (zh) 一种面向地方志网站的混合推荐系统
CN111797321B (zh) 一种面向不同场景的个性化知识推荐方法及系统
Almazro et al. A survey paper on recommender systems
CN112231583B (zh) 基于动态兴趣组标识和生成对抗网络的电商推荐方法
KR20160064448A (ko) 유사 집합의 예상 선호도 대비 기반 아이템 추천 제공 방법
CN112256965A (zh) 一种基于lambdaMart的神经协同过滤模型推荐方法
CN115062732A (zh) 基于大数据用户标签信息的资源共享合作推荐方法及系统
Wang et al. Research on hybrid collaborative filtering recommendation algorithm based on the time effect and sentiment analysis
Xu et al. Leveraging app usage contexts for app recommendation: a neural approach
CN115712780A (zh) 一种基于云计算和大数据的信息推送方法及装置
CN111198991A (zh) 一种基于信任度和专家用户的协同过滤推荐方法
Duan et al. A hybrid intelligent service recommendation by latent semantics and explicit ratings
Cao et al. Web API recommendation via combining graph attention representation and deep factorization machines quality prediction
Ali et al. Dynamic context management in context-aware recommender systems
Ramadhan et al. Collaborative Filtering Recommender System Based on Memory Based in Twitter Using Decision Tree Learning Classification (Case Study: Movie on Netflix)
Jalal Big data and intelligent software systems
CN113254795B (zh) 一种推荐模型的训练方法和装置
Castillo et al. ExUP recommendations: Inferring user's product metadata preferences from single-criterion rating systems
Li et al. Collaborative filtering recommendation algorithm based on user characteristics and user interests
Gao et al. Construction of digital marketing recommendation model based on random forest algorithm
Lokesh A comparative study of recommendation systems
Liu et al. An online activity recommendation approach based on the dynamic adjustment of recommendation lists
Li et al. A collaborative filtering recommendation method based on TagIEA expert degree model
Hartatik et al. A comparison study of model based collaborative filtering using alternating least square and singular value decomposition
Demirkiran et al. Multi-criteria collaborative filtering using rough sets theory

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200526