CN111400612A - 一种融合社交影响和项目关联的个性化推荐方法 - Google Patents

一种融合社交影响和项目关联的个性化推荐方法 Download PDF

Info

Publication number
CN111400612A
CN111400612A CN202010166298.9A CN202010166298A CN111400612A CN 111400612 A CN111400612 A CN 111400612A CN 202010166298 A CN202010166298 A CN 202010166298A CN 111400612 A CN111400612 A CN 111400612A
Authority
CN
China
Prior art keywords
user
influence
value
item
formula
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.)
Granted
Application number
CN202010166298.9A
Other languages
English (en)
Other versions
CN111400612B (zh
Inventor
张功国
黄浩
张为易
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202010166298.9A priority Critical patent/CN111400612B/zh
Publication of CN111400612A publication Critical patent/CN111400612A/zh
Application granted granted Critical
Publication of CN111400612B publication Critical patent/CN111400612B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明请求保护一种融合社交影响和项目关联的个性化推荐方法。首先基于用户的社交关系数据和用户评分数据计算用户的社交影响力和相似度，从而得出用户的影响力值；然后根据用户的影响力值对信任用户潜在特征向量进行指数约束，增强亲密好友的信任关系，建立用户影响力潜在信任特征向量。其次利用用户评分数据对项目间进行关联计算，获取项目间的关联值，从而构建项目关联矩阵。最后在概率矩阵分解中利用用户的影响力和项目关联信息进行联合推荐。本发明能够在保证不错的推荐准确率的同时提高推荐效率。

Description

一种融合社交影响和项目关联的个性化推荐方法
技术领域
本发明属于个性化推荐领域，具体的说是一种融合社交影响和项目关联的个性化推荐方法。
背景技术
互联网为人们提供网络便捷信息的同时，信息过载问题变得愈来愈严重。如何从海量的数据中为用户提供高效的信息是当前互联网面临的巨大挑战。在这种背景下，推荐系统应运而生。推荐系统在用户需求不明确的情况下，通过挖掘用户历史行为分析其潜在需求，帮助用户过滤无效信息，有效地将互联网信息以科学、系统的形式进行组织和呈现，帮助用户发现物品的价值。
近年来，随着推荐系统被广泛应用于各大电商网站，推荐算法在学术界有了长足的发展，但数据稀疏性的问题仍然极大地影响了推荐的效果。随着社交网络的兴起，互联网出现了反映网络用户之间关系的数据，这些用户以好友、社群等多种形式的社交关系展现他们之间的联系，分享他们共同的兴趣爱好，用户之间的普遍关联将直接影响用户的决策过程，社交网络中的这种特点，使其在推荐系统中有着良好的应用场景。但在目前的社会化推荐模型中，系统中只提供了用户之间的一个显示的社交网络，没有提供用户影响力在社交网络中对信任用户的影响，这大大限制了社会化推荐系统的效果。与此同时，作为推荐算法的另一信息源：项目间的属性关联信息并没有被利用。因此探究在个性化推荐算法中利用社交影响和项目间的属性信息进行联合推荐是一个重点要研究的问题。
发明内容
本发明旨在解决现有技术中的问题。提出了一种融合社交影响和项目关联的个性化推荐方法。本发明的技术方案如下：
一种融合社交影响和项目关联的个性化推荐方法，其包括以下步骤：
步骤一：获取用户社交数据和用户评分数据，计算得到用户的社交影响力和用户间的相似度，从而得出用户影响力值；
步骤二：根据用户影响力值对信任用户潜在因子特征向量进行指数约束，增强亲密好友的信任关系，建立用户影响力潜在信任特征向量；
步骤三：利用用户评分数据对项目间进行关联计算，获取项目间的关联值，从而构建项目关联矩阵；
步骤四：在概率矩阵分解中利用用户影响力和项目关联信息进行联合推荐。
进一步的，所述步骤一中分别利用输入的用户社交关系数据和用户评分数据构建用户的社交影响力和用户间的相似度，线性组合两者构建用户的影响力矩阵，其计算公式如下：
f(u,v)＝asim(u,v)+(1-a)PR(u) (1)
式中，sim(u,v)表示用户u和用户v的相似度，代表着用户间的相互影响力， PR(u)表示用户u在社交网络中的个人影响力，f(u,v)表示用户u对用户v的影响力，定义一个权重a来表示两者所占的比重，为了权衡用户间的影响力和社交网络中的个人影响力，这里将a设置为0.4。
进一步的，所述用户间的相似度、用户的社交影响力分别为：
定义用户间的相似度度量公式如下：
Figure RE-GDA0002487672020000021
式中，Iuv表示用户u和用户v都评分过的项目的结合，rui表示用户u对项目i的评分值，
Figure RE-GDA0002487672020000022
表示用户u的平均评分值，rvi表示用户v对项目i的评分值，
Figure RE-GDA0002487672020000023
表示用户v的平均评分值。
定义用户的社交影响力度量公式如下：
Figure RE-GDA0002487672020000024
式中,PR(u)表示用户u在社交网络中的个人影响力，d为阻尼系数，表示用户访问当前节点所提供的链接的概率，取值为0.85，(1-d)表示用户随机访问下一节点的概率，N表示为用户数量。
进一步的，所述步骤二中根据用户影响力对信任用户潜在因子特征向量进行改进，增强亲密好友的信任关系，建立用户影响力潜在信任特征向量，具体包括以下步骤：
(1)计算社交网络中用户的特征向量u公式如下：
Figure RE-GDA0002487672020000031
式中，Uu表示用户u潜在特征向量，Uv表示用户v的潜在特征向量，Tu,v表示社交用户u对用户v的信任值，是一个二进制值，取值为[0,1]，Nu表示用户u直接链接出去的用户集合；
(2)根据用户的特征向量得到用户的特征条件分布的公式如下：
Figure RE-GDA0002487672020000032
式中，
Figure RE-GDA0002487672020000033
为信任用户的特征条件分布，T表示用户的社交关系矩阵，Tu,v表示社交用户u对用户v的信任值，是一个二进制值，取值为[0,1]，
Figure RE-GDA0002487672020000034
表示用户U服从均值为0，方差为
Figure RE-GDA0002487672020000035
的高斯分布，I是一个指示函数，用户对项目进行评分，则为1，否则为0；
(3)利用用户影响力来改进用户潜在偏好特征向量公式如下：
Figure RE-GDA0002487672020000036
式中，f(u,v)表示用户u对用户v的影响力；
(4)用户影响力信任的特征条件分布公式如下所示：
Figure RE-GDA0002487672020000037
式中，
Figure RE-GDA0002487672020000038
为用户影响力信任的条件分布，m表示评分数据中的项目数量，
Figure RE-GDA0002487672020000041
表示用户U服从均值为0，方差为
Figure RE-GDA0002487672020000042
的高斯分布，将用户影响力应用到信任模型中有助于加强亲密好友的推荐。
进一步的，所述步骤三中使用评分数据对项目进行关联计算，获取项目间的关联值，构建关联矩阵，具体步骤为：
(1)项目间的关联度计算公式如下：
Ci,j＝βsimr(i,j)+(1-β)sima(i,j) (8)
式中，simr(i,j)表示项目间的评分相似度，sima(i,j)表示项目间的属性相似度。Ci,j表示项目的综合相似度，定义一个权重关系β来表示二者所占的比重，为了权衡项目间的评分相似和属性相似，这里将β设置成0.5；
(2)根据项目间的关联度构建项目关联矩阵的计算公式如下：
Figure RE-GDA0002487672020000043
式中，n表示项目数，g(x)＝1/(1+exp(-x))是逻辑回归函数，用来限定预测值ViVj在范围[0,1]内，当Ci,j≠0时，
Figure RE-GDA0002487672020000044
否则为0，
Figure RE-GDA0002487672020000045
是指示函数，表示推荐项目Vi和Vj的特征关联关系。
进一步的，所述项目间的评分相似度、属性相似度分别为：
定义项目间的评分相似度值度量公式如下：
Figure RE-GDA0002487672020000046
式中，rui表示用户u对项目i的评分值，
Figure RE-GDA0002487672020000047
表示项目i的平均值，simr(i,j)表示项目i和项目j的评分相似度值，ruj表示用户u对项目j的评分值，
Figure RE-GDA0002487672020000048
表示项目j的平均值；
定义项目间的属性相似度值度量公式如下：
Figure RE-GDA0002487672020000051
式中，Vik表示项目i在k个属性上的值，Vjk表示项目j在k个属性上的值， sima(i,j)表示项目i和项目j的属性相似度。
进一步的，所述步骤四中在概率矩阵分解中利用社交网络中的用户影响力信息和评分数据R中的辅助信息进行联合推荐，其计算公式如下：
Figure RE-GDA0002487672020000052
本发明的优点及有益效果如下：
1、本发明通过线性结合社交网络中的用户的社交影响力和评分数据中的用户相似度来构建新的影响力矩阵，不仅考虑了用户的直接社交关系，而且考虑了用户的间接社交关系，充分利用了用户之间的信息。
2、本发明在步骤二中利用用户的影响力值对社交网络中的信任模型进行指数约束，对亲密好友进行增强修正，反之进行削弱修正，使信任模型更加符合现实生活中的社交关系。
3、本发明在步骤三通过对项目的属性关联和用户评分项目相似度进行结合，充分利用了推荐算法的信息源，有助于提高推荐的精度。
4、本发明在基于概率矩阵分解中同时融合用户影响力和项目关联信息来进行联合推荐，即考虑了社交网络中用户影响力大小对用户兴趣的影响程度，同时也利用了项目的信息来缓解数据的稀疏性，充分利用了推荐系统中用户和项目的两个信息来源，够在保证不错的推荐准确率的同时提高推荐效率。
附图说明
图1是本发明提供优选实施例融合社交影响和项目关联的个性化推荐方法流程示意图。
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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是：
在本实施例中，一种基于融合社交影响和项目关联的个性化推荐方法是按如下步骤进行的。
步骤1：构建用户的影响力
步骤1.1在社交网络中，人与人之间存在着相互信任的关系，通常系统无法直接给出十分精确的数值来反映两个用户之间的信任程度，系统给出的信任值是二元的，取值为[0,1]，所以需要对信任网络中用户的信任值进行区分，定义社交用户的个人影响力值得度量公式如下：
Figure RE-GDA0002487672020000063
式中,PR(u)表示用户u在社交网络中的个人影响力。d为阻尼系数，表示用户访问当前节点所提供的链接的概率，取值为0.85。(1-d)表示用户随机访问下一节点的概率。N表示为用户数量。
步骤1.2利用Person相关系数来获得用户间的相似度，其计算公式如下：
Figure RE-GDA0002487672020000061
式中，Iuv表示用户u和用户v都评分过的项目的结合。rui表示用户u对项目i的评分值。
Figure RE-GDA0002487672020000062
表示用户u的平均评分值。
步骤1.3用户的影响力矩阵计算，把用户间的评分相似度作为用户间的相互影响度和社交网络中的用户个人影响力线性融合在一起，充分利用用户之间的信息，得到用户的影响力。其计算公式如下：
f(u,v)＝asim(u,v)+(1-a)PR(u) (15)
式中，a是一个权重系数，用来衡量评分相似度和用户的个人影响力的权重， sim(u,v)表示用户u和用户v的相似度，代表着用户间的相互影响力，PR(u)表示用户u在社交网络中的个人影响力，为了权衡这种影响力关系，这里将a设置为 0.4。
步骤2基于用户影响力改进用户信任模型
步骤2.1改进社交网络中的用户潜在因子特征向量
在社交网络中，用户的行为不仅会被自己的兴趣爱好影响，也会被其他用户影响。但社交网络中往往存在着长尾效应，即只有少数的用户拥有的大量社交关系，而大多数的用户拥有很少的社交关系，因此利用用户影响力对社交网络中的信任模型进行改进，用户影响力潜在信任特征向量公式如下：
Figure RE-GDA0002487672020000071
式中，f(u,v)表示用户u对用户v的影响力。
步骤2.2建立用户影响力信任的条件分布公式如下
Figure RE-GDA0002487672020000072
式中，
Figure RE-GDA0002487672020000073
为信任用户的特征条件分布，T表示用户的社交关系矩阵，Tu,v表示社交用户u对用户v的信任值，是一个二进制值，取值为[0,1]，
Figure RE-GDA0002487672020000074
表示用户U服从均值为0，方差为
Figure RE-GDA0002487672020000075
的高斯分布，I是一个指示函数，若用户对项目进行评分，则为1，否则为0；
步骤3构建项目关联矩阵
步骤3.1利用Person相关系数来获得用户间的相似度，其计算公式如下：
Figure RE-GDA0002487672020000076
式中，rui表示用户u对项目i的评分值，
Figure RE-GDA0002487672020000081
表示项目i的平均值，，simr(i,j)表示项目i和项目j的评分相似度值。
步骤3.2计算项目间的属性相似度，其计算公式如下：
Figure RE-GDA0002487672020000082
式中，Vik表示项目i在第k个属性上的值，Vik表示项目i在k个属性上的值， sima(i,j)表示项目i和项目j的属性相似度。
步骤3.3综合项目间的相似度，把项目间的评分相似度和属性相似度线性融合在一起，扬长不短，得到一种项目关联度。其计算公式如下：
Ci,j＝βsimr(i,j)+(1-β)sima(i,j) (20)
式中，β是一个权重系数，用来衡量评分相似度和属性相似度的权重， simr(i,j)表示项目间的评分相似度，sima(i,j)表示项目间的属性相似度。为了权衡这种影响力关系，这里将β设置为0.5。
步骤3.4根据项目间的关联度建立项目特征的条件分布计算公式如下：
Figure RE-GDA0002487672020000083
式中，当Ci,j≠0时，
Figure RE-GDA0002487672020000084
否则为0，
Figure RE-GDA0002487672020000085
是指示函数，表示推荐项目Vi和Vj的特征关联关系。
步骤4融合社交影响和项目关联联合推荐
基于社交影响推荐是从社交网络角度分析用户影响力值对信任用户偏好影响的程度来提升推荐系统精度，而基于项目关联度是利用推荐算法的另一信息源：项目间的关联信息来提升推荐系统精度。因此，综合考虑两种方法，提出融合社交影响和项目关联度的个性化推荐方法，其计算公式如下：
Figure RE-GDA0002487672020000091
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (7)

1.一种融合社交影响和项目关联的个性化推荐方法，其特征在于，包括以下步骤：
步骤一：获取用户社交数据和用户评分数据，计算得到用户的社交影响力和用户间的相似度，从而得出用户影响力值；
步骤二：根据用户影响力值对信任用户潜在特征向量进行指数约束，增强亲密好友的信任关系，建立用户影响力潜在信任特征向量；
步骤三：利用用户评分数据对项目间进行关联计算，获取项目间的关联值，从而构建项目关联矩阵；
步骤四：在概率矩阵分解中利用用户影响力和项目关联信息进行联合推荐。
2.根据权利要求1所述的一种融合社交影响和项目关联的个性化推荐方法，其特征在于，所述步骤一中分别利用输入的用户社交关系数据和用户评分数据构建用户的社交影响力和用户间的相似度，线性组合两者构建用户的影响力矩阵，其计算公式如下：
f(u,v)＝asim(u,v)+(1-a)PR(u) (1)
式中，sim(u,v)表示用户u和用户v的相似度，代表着用户间的相互影响力，PR(u)表示用户u在社交网络中的个人影响力，f(u,v)表示用户u对用户v的影响力，定义一个权重a来表示两者所占的比重，为了权衡用户间的影响力和社交网络中的个人影响力，这里将a设置为0.4。
3.根据权利要求2所述的一种融合社交影响和项目关联的个性化推荐方法，其特征在于，所述用户间的相似度、用户的社交影响力分别为：
定义用户间的相似度度量公式如下：
Figure FDA0002407582400000011
式中，Iuv表示用户u和用户v都评分过的项目的结合，rui表示用户u对项目i的评分值，
Figure FDA0002407582400000012
表示用户u的平均评分值，rvi表示用户v对项目i的评分值，
Figure FDA0002407582400000013
表示用户v的平均评分值；
定义用户的社交影响力度量公式如下：
Figure FDA0002407582400000021
式中,PR(u)表示用户u在社交网络中的个人影响力，d为阻尼系数，表示用户访问当前节点所提供的链接的概率，取值为0.85，(1-d)表示用户随机访问下一节点的概率，N表示为用户数量。
4.根据权利要求2所述的一种融合社交影响和项目关联的个性化推荐方法，其特征在于，所述步骤二中根据用户影响力对信任用户潜在因子特征向量进行改进，增强亲密好友的信任关系，建立用户影响力潜在信任特征向量，具体包括以下步骤：
(1)计算社交网络中用户的特征向量u公式如下：
Figure FDA0002407582400000022
式中，Uu表示用户u潜在特征向量，Uv表示用户v的潜在特征向量，Tu,v表示社交用户u对用户v的信任值，是一个二进制值，取值为[0,1]，Nu表示用户u直接链接出去的用户集合；
(2)根据用户的特征向量得到用户的特征条件分布的公式如下：
Figure FDA0002407582400000023
式中，
Figure FDA0002407582400000024
为信任用户的特征条件分布，T表示用户的社交关系矩阵，Tu,v表示社交用户u对用户v的信任值，是一个二进制值，取值为[0,1]，
Figure FDA0002407582400000025
表示用户U服从均值为0，方差为
Figure FDA0002407582400000026
的高斯分布，I是一个指示函数，若用户对项目进行评分，则为1，否则为0；
(3)利用用户影响力来改进用户潜在偏好特征向量公式如下：
Figure FDA0002407582400000027
式中，f(u,v)表示用户u对用户v的影响力，
Figure FDA0002407582400000031
表示用户u潜在特征向量。
(4)用户影响力信任的特征条件分布公式如下所示：
Figure FDA0002407582400000032
式中，
Figure FDA0002407582400000033
为用户影响力信任的条件分布，m表示评分矩阵中用户数量，
Figure FDA0002407582400000034
表示用户U服从均值为0，方差为
Figure FDA0002407582400000035
的高斯分布，将用户影响力应用到信任模型中有助于加强亲密好友的推荐。
5.根据权利要求4所述的一种融合社交影响和项目关联的个性化推荐方法，其特征在于，所述步骤三中使用评分数据对项目进行关联计算，获取项目间的关联值，构建关联矩阵，具体步骤为：
(1)项目间的关联度计算公式如下：
Ci,j＝βsimr(i,j)+(1-β)sima(i,j) (8)
式中，simr(i,j)表示项目间的评分相似度，sima(i,j)表示项目间的属性相似度。Ci,j表示项目的综合相似度，定义一个权重关系β来表示二者所占的比重，为了权衡项目间的评分相似和属性相似，这里将β设置成0.5；
(2)根据项目间的关联度构建项目关联矩阵的计算公式如下：
Figure FDA0002407582400000036
式中，n表示项目数，
Figure FDA0002407582400000037
是逻辑回归函数，用来限定预测值ViVj在范围[0,1]内，当Ci,j≠0时，
Figure FDA0002407582400000038
否则为0，
Figure FDA0002407582400000039
是指示函数，表示推荐项目Vi和Vj的特征关联关系。
6.根据权利要求5所述的一种融合社交影响和项目关联的个性化推荐方法，其特征在于，所述项目间的评分相似度、属性相似度分别为：
定义项目间的评分相似度值度量公式如下：
Figure FDA0002407582400000041
式中，rui表示用户u对项目i的评分值，
Figure FDA0002407582400000042
表示项目i的平均值，ruj表示用户u对项目j的评分值，
Figure FDA0002407582400000043
表示项目j的平均值，simr(i,j)表示项目i和项目j的评分相似度值；
定义项目间的属性相似度值度量公式如下：
Figure FDA0002407582400000044
式中，Vik表示项目i在k个属性上的值，sima(i,j)表示项目i和项目j的属性相似度。
7.根据权利要求6所述的一种融合社交影响和项目关联的个性化推荐方法，其特征在于，所述步骤四中在概率矩阵分解中利用社交网络中的用户影响力信息和评分数据R中的辅助信息进行联合推荐，其计算公式如下：
Figure FDA0002407582400000045
CN202010166298.9A 2020-03-11 2020-03-11 一种融合社交影响和项目关联的个性化推荐方法 Active CN111400612B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010166298.9A CN111400612B (zh) 2020-03-11 2020-03-11 一种融合社交影响和项目关联的个性化推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010166298.9A CN111400612B (zh) 2020-03-11 2020-03-11 一种融合社交影响和项目关联的个性化推荐方法

Publications (2)

Publication Number Publication Date
CN111400612A true CN111400612A (zh) 2020-07-10
CN111400612B CN111400612B (zh) 2022-10-18

Family

ID=71436086

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010166298.9A Active CN111400612B (zh) 2020-03-11 2020-03-11 一种融合社交影响和项目关联的个性化推荐方法

Country Status (1)

Country Link
CN (1) CN111400612B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801561A (zh) * 2021-04-13 2021-05-14 腾讯科技（深圳）有限公司 用户关系确定方法、装置、存储介质及电子设备
CN112883289A (zh) * 2021-04-16 2021-06-01 河北工程大学 一种基于社交信任和标签语义相似度的pmf推荐方法
CN113360632A (zh) * 2021-06-09 2021-09-07 南京大学 一种用于众包软件测试的多路召回推荐方法
CN113987368A (zh) * 2021-10-29 2022-01-28 合肥工业大学 一种融合同质关系和影响关系的用户个性化偏好挖掘方法
CN114154902A (zh) * 2021-12-09 2022-03-08 郑州轻工业大学 融合用户社会地位的隐社交关系反馈技术的推荐方法
CN115865712A (zh) * 2022-11-15 2023-03-28 重庆邮电大学 一种基于时效亲密模型的边缘数据存储方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104731962A (zh) * 2015-04-03 2015-06-24 重庆邮电大学 一种社交网络中基于相似社团的好友推荐方法及系统
US20160041988A1 (en) * 2012-02-21 2016-02-11 Spotright, Inc. Systems and methods for identifying and analyzing internet users
CN106021289A (zh) * 2016-04-29 2016-10-12 天津大学 基于节点用户的概率矩阵分解模型的构建方法
US20180130019A1 (en) * 2016-06-21 2018-05-10 0934781 B.C. Ltd System and method for Managing user and project nodes in a graph database
CN108920503A (zh) * 2018-05-28 2018-11-30 哈尔滨工程大学 一种基于社交网络信任度的微视频个性化推荐算法
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
CN109242712A (zh) * 2018-08-31 2019-01-18 中国电子科技集团公司第二十研究所 一种社交网络中基于信任关系的项目推荐方法
CN110046223A (zh) * 2019-03-13 2019-07-23 重庆邮电大学 基于改进型卷积神经网络模型的影评情感分析方法
CN110362738A (zh) * 2018-11-06 2019-10-22 杭州电子科技大学 一种基于深度学习的结合信任和影响力的个性化推荐方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160041988A1 (en) * 2012-02-21 2016-02-11 Spotright, Inc. Systems and methods for identifying and analyzing internet users
CN104731962A (zh) * 2015-04-03 2015-06-24 重庆邮电大学 一种社交网络中基于相似社团的好友推荐方法及系统
CN106021289A (zh) * 2016-04-29 2016-10-12 天津大学 基于节点用户的概率矩阵分解模型的构建方法
US20180130019A1 (en) * 2016-06-21 2018-05-10 0934781 B.C. Ltd System and method for Managing user and project nodes in a graph database
CN108920503A (zh) * 2018-05-28 2018-11-30 哈尔滨工程大学 一种基于社交网络信任度的微视频个性化推荐算法
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
CN109242712A (zh) * 2018-08-31 2019-01-18 中国电子科技集团公司第二十研究所 一种社交网络中基于信任关系的项目推荐方法
CN110362738A (zh) * 2018-11-06 2019-10-22 杭州电子科技大学 一种基于深度学习的结合信任和影响力的个性化推荐方法
CN110046223A (zh) * 2019-03-13 2019-07-23 重庆邮电大学 基于改进型卷积神经网络模型的影评情感分析方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
RUI CHEN ET AL.: "A Novel Social Recommendation Method Fusing User’s Social Status and Homophily Based on Matrix Factorization Techniques", 《IEEE ACCESS》 *
程殿虎: "基于协同过滤的社会网络推荐系统关键技术研究", 《中国博士学位论文全文数据库 信息科技辑》 *
黄浩: "融合社会辅助信息的个性化推荐算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801561A (zh) * 2021-04-13 2021-05-14 腾讯科技（深圳）有限公司 用户关系确定方法、装置、存储介质及电子设备
CN112883289A (zh) * 2021-04-16 2021-06-01 河北工程大学 一种基于社交信任和标签语义相似度的pmf推荐方法
CN112883289B (zh) * 2021-04-16 2022-05-06 河北工程大学 一种基于社交信任和标签语义相似度的pmf推荐方法
CN113360632A (zh) * 2021-06-09 2021-09-07 南京大学 一种用于众包软件测试的多路召回推荐方法
CN113360632B (zh) * 2021-06-09 2023-08-25 南京大学 一种用于众包软件测试的多路召回推荐方法
CN113987368A (zh) * 2021-10-29 2022-01-28 合肥工业大学 一种融合同质关系和影响关系的用户个性化偏好挖掘方法
CN113987368B (zh) * 2021-10-29 2024-02-13 合肥工业大学 一种融合同质关系和影响关系的用户个性化偏好挖掘方法
CN114154902A (zh) * 2021-12-09 2022-03-08 郑州轻工业大学 融合用户社会地位的隐社交关系反馈技术的推荐方法
CN115865712A (zh) * 2022-11-15 2023-03-28 重庆邮电大学 一种基于时效亲密模型的边缘数据存储方法

Also Published As

Publication number Publication date
CN111400612B (zh) 2022-10-18

Similar Documents

Publication Publication Date Title
CN111400612B (zh) 一种融合社交影响和项目关联的个性化推荐方法
US8706716B2 (en) Iterative and dynamic search of publicly available data based on augmentation of search terms and validation of data relevance
KR100883463B1 (ko) 검색을 점수화하기 위한 방법 및 장치
US20160132800A1 (en) Business Relationship Accessing
US20130138555A1 (en) System and method of interpreting results based on publicly available data
CN106528643B (zh) 一种基于社交网络的多维度综合推荐方法
US20140379443A1 (en) Methods, systems, and media for applying scores and ratings to web pages,web sites, and content for safe and effective online advertising
Xu et al. Integrated collaborative filtering recommendation in social cyber-physical systems
Dandekar et al. Privacy auctions for recommender systems
CN110799980B (zh) 在线体验中的绘文字理解
US9378432B2 (en) Hierarchy similarity measure
WO2013089592A2 (en) Information graph
Najafi et al. Investigation of the correlation between trust and reputation in B2C e-commerce using Alexa ranking
CN112100513A (zh) 基于知识图谱的推荐方法、装置、设备及计算机可读介质
Yang et al. Process capability analysis for manufacturing processes based on the truncated data from supplier products
CN111324807A (zh) 基于信任度的协同过滤推荐方法
Wei et al. Research on social e-commerce reputation formation and state-introduced model
Singh et al. A survey on the generation of recommender systems
Neve et al. Hybrid reciprocal recommender systems: Integrating item-to-user principles in reciprocal recommendation
CN105761154A (zh) 一种社会化推荐方法及装置
CN109857928B (zh) 基于多元信用评估的用户偏好预测方法
CN112883289B (zh) 一种基于社交信任和标签语义相似度的pmf推荐方法
Zhang et al. The approaches to contextual transaction trust computation in e‐Commerce environments
Mardjo Impacts of social media’s reputation, security, privacy and information quality on Thai young adults’ purchase intention towards Facebook commerce
CN111198991A (zh) 一种基于信任度和专家用户的协同过滤推荐方法

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
GR01 Patent grant
GR01 Patent grant