CN111814059B - 基于网络表示学习和社团结构的矩阵分解推荐方法及系统 - Google Patents

基于网络表示学习和社团结构的矩阵分解推荐方法及系统 Download PDF

Info

Publication number
CN111814059B
CN111814059B CN202010856899.2A CN202010856899A CN111814059B CN 111814059 B CN111814059 B CN 111814059B CN 202010856899 A CN202010856899 A CN 202010856899A CN 111814059 B CN111814059 B CN 111814059B
Authority
CN
China
Prior art keywords
user
community
feature vector
users
trust
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.)
Active
Application number
CN202010856899.2A
Other languages
English (en)
Other versions
CN111814059A (zh
Inventor
陈洁
张二明
赵姝
张燕平
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.)
Anhui University
Original Assignee
Anhui University
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 Anhui University filed Critical Anhui University
Priority to CN202010856899.2A priority Critical patent/CN111814059B/zh
Publication of CN111814059A publication Critical patent/CN111814059A/zh
Application granted granted Critical
Publication of CN111814059B publication Critical patent/CN111814059B/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
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0623—Item investigation
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • 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

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

Abstract

本发明公开了基于网络表示学习和社团结构的矩阵分解推荐方法及系统，所述方法包括：构建评级矩阵和社交抽象网络；获取用户之间隐性信任值；获取每个用户节点的全局特征向量；获取社交抽象网络的社团结构；获取用户之间的显性信任值；融合隐性信任值与显性信任值得到融合信任值，融合信任值超过阈值的信任值作为用户之间的细粒度信任值；结合用户之间的细粒度信任值得到用户的潜在特征向量，根据用户的潜在特征向量获取用户对未交互商品的预测评分，对用户进行商品推荐；本发明的优点在于：挖掘可以表达用户之间信任程度的细粒度信任值并据此最终获取用户对未交互商品的预测评分，提高推荐系统的准确性。

Description

基于网络表示学习和社团结构的矩阵分解推荐方法及系统
技术领域
本发明涉及推荐系统技术领域，更具体涉及基于网络表示学习和社团结构的矩阵分解推荐方法及系统。
背景技术
随着互联网技术的迅速发展，互联网在线数据呈指数级增长，许多冗余的数据加大了人们获取需求信息的困难。推荐系统的目的是根据用户对商品的历史行为来分析用户的兴趣偏好，从而推荐符合用户兴趣的商品。例如，在电子商务平台上，根据用户对商品的点击、购买、收藏等行为分析用户的兴趣偏好，然后结合用户的兴趣偏好向用户推荐商品，以达到增加盈利的目的。
随着人们对推荐系统的研究，矩阵分解推荐技术开始出现大家的视野中，并因其在Netflix Prize比赛上的优异表现开始受到人们的关注。该方法将用户对商品的历史评分信息以矩阵的形式表示，使用矩阵分解技术获得用户和商品的潜在特征向量，然后将用户潜在特征向量与商品潜在特征向量的内积作为用户与商品的相关性。由于用户对商品的评分信息是十分稀疏的，近年来人们又将用户的社交关系加入到矩阵分解推荐系统中，用来缓解冷启动问题，并取得了不错的推荐效果。
目前，人们提出基于社交关系的矩阵分解推荐系统做评分预测任务的模型主要包含以下几个：将评级矩阵与社交矩阵联合分解的推荐模型(SoRec)、约束用户的偏好特征与其直接邻居的平均偏好特征相似的推荐模型(SocialMF)、从信任与被信任的角度进行混合推荐的推荐模型(TrustMF)、不仅考虑评级和社交信任的显性影响，还考虑评级和社交信任的隐性影响的推荐模型(TrustSVD)、运用社交维度同时捕捉社交关系的异质性和较弱依赖关系的推荐模型(SoDimRec)。这些方法通过引入社交关系来缓解数据稀疏所带来的冷启动问题，并有效提高了推荐效果。
但是，上述结合社交关系的推荐方法中所使用的用户社交信任关系是一种二进制的信任关系，这种粗粒度的信任关系无法表达出用户之间信任关系的强弱；上述方法中没有考虑到在不同的领域中用户往往信任不同的朋友；除此之外，上述方法没有根据用户的购买记录挖掘用户之间的隐性信任关系，因为购买相同商品的用户往往存在相似的兴趣偏好，因此上述结合社交关系的推荐方法推荐结果的准确性不高。
中国专利授权公告号CN107330115B，公开了一种信息推荐方法及装置，其中，方法包括从社交关系网络中通过根据node2vec算法学习网络中各个用户的embedding特征向量来选取K个近邻用户，根据CNN算法从K个近邻用户生成的embedding特征矩阵中提取当前用户的潜在特征；根据潜在特征，利用预设的算法对历史信息评分矩阵进行迭代交替运算，获取当前用户的用户特征矩阵及信息特征矩阵；根据用户特征矩阵和/或所述信息特征矩阵，为当前用户进行信息推荐。有利于挖掘当前用户深层次的潜在特征，从而提高信息推荐的效率以及准确率。但是该发明并不涉及用户社交信任关系，无法表达出用户之间信任关系的强弱；没有考虑到在不同的领域中用户往往信任不同的朋友；没有根据用户的购买记录挖掘用户之间的隐性信任关系，因此该发明的推荐结果的准确性不高。
发明内容
本发明所要解决的技术问题在于现有技术结合社交关系的推荐方法的推荐结果准确性不高的问题。
本发明通过以下技术手段实现解决上述技术问题：基于网络表示学习和社团结构的矩阵分解推荐方法，所述方法包括：
步骤A：根据用户的历史评级信息构建评级矩阵，根据社交关系构建社交抽象网络；
步骤B：根据评级矩阵获取用户之间隐性信任值；
步骤C：对社交抽象网络进行嵌入得到每个用户节点的全局特征向量；
步骤D：对每个用户节点进行社团划分并更新社团中心，得到社交抽象网络的社团结构；
步骤E：分别对社团结构中每个社团进行嵌入得到每个用户节点局部社团特征向量，根据用户节点的全局特征向量和局部社团特征向量获取用户之间的显性信任值；
步骤F：融合隐性信任值与显性信任值得到融合信任值，融合信任值超过阈值的信任值作为用户之间的细粒度信任值；
步骤G：结合用户之间的细粒度信任值得到用户的潜在特征向量，根据用户的潜在特征向量获取用户对未交互商品的预测评分，根据预测评分对用户进行商品推荐。
本发明通过用户的历史评级信息挖掘出用户之间隐性信任关系，引入社团检测技术将社交抽象网络划分为多个社团，不同的社团代表不同的领域，同一领域中的用户往往更加信任彼此，引入网络表示学习技术得到社交抽象网络中每个用户节点的向量表示，根据用户节点的全局特征向量和局部社团特征向量获取用户之间的显性信任值，通过融合隐性信任值与显性信任值得到用户之间细粒度信任值，细粒度信任值反映出用户之间信任程度的大小，根据细粒度信任值重新定义用户潜在特征向量，从而有效提高推荐系统的准确性。
进一步地，所述步骤A包括：根据m个用户对n个商品的历史评级信息构建评级矩阵R＝[ra,b]m×n，其中，ra,b表示用户a对商品b的评分；构建用于表示用户之间的信任关系的社交抽象网络G＝(U,E,W)，其中，U代表用户集合，E代表用户之间连边集合，W代表用户之间的信任关系。
进一步地，所述步骤B包括：根据评级矩阵，利用公式
Figure BDA0002646728290000041
获取用户之间隐性信任值；
其中，u和v分别为用户u和用户v，I为用户u和用户v都交互过的商品集合，ru,i为用户u对商品i的评分，
Figure BDA0002646728290000042
为用户u的平均评分，rv,i为用户v对商品i的评分，
Figure BDA0002646728290000043
为用户v的平均评分。
进一步地，所述步骤D包括：
初始化k个社团的中心集合为{C1,C2,C3,...,Ck}，通过公式
Figure BDA0002646728290000044
获取每一个用户节点到社团中心的欧式距离，遍历所有社团中心，将用户节点i划分到所有社团中心中与该用户节点欧式距离最小的社团中心对应的社团；其中，社团中心个数K为商品种类个数，Xi为用户节点i的全局特征向量，Cj为第j个社团中心，S为全局特征向量的维度，t为全局特征向量的维度索引；
通过公式
Figure BDA0002646728290000051
更新每个社团中心，|Cj|为第j个社团中心的维度数值，Cj'为更新后的第j个社团中心，所有更新后的社团中心组成更新后的社团中心集合{C1',C2',C3',...,Ck'}；
将所有用户节点划分到与其欧式距离最小的社团中心对应的社团并更新每个社团中心以后形成社交抽象网络的社团结构。
进一步地，所述步骤E包括：使用LINE模型分别对社团结构中每个社团进行嵌入得到每个用户节点的64维局部社团特征向量，然后将每个用户节点的64维全局特征向量与64维局部社团特征向量前后拼接得到用户128维的特征向量，通过公式
Figure BDA0002646728290000052
获取两两用户128维特征向量之间的内积作为用户之间的显性信任值，其中，vecu为用户u的128维特征向量，vecv为用户v的128维特征向量。
进一步地，所述步骤F包括：
利用公式Trust＝a*trust1+(1-a)*trust2融合隐性信任值与显性信任值得到融合信任值，将大于阈值的融合信任值作为用户之间的细粒度信任值，a为融合因子。
进一步地，所述步骤G包括：
通过公式
Figure BDA0002646728290000053
获取用户的潜在特征向量；
其中，Nu为用户u的直接邻居，Trustu,v为用户u与用户v之间的细粒度信任值，Pv为用户v的初始化潜在特征向量；
通过公式ru,i＝min_rate+dotu,i*(max_rate-min_rate)获取用户u对未交互商品i的预测评分；
其中，ru,i为用户u对未交互商品i的预测评分，min_rate为评分范围最小值，max_rate为评分范围最大值，dotu,i为用户u的潜在特征向量
Figure BDA0002646728290000061
与商品i的初始化潜在特征向量Qi的内积，且
Figure BDA0002646728290000062
本发明还提供基于网络表示学习和社团结构的矩阵分解推荐系统，所述系统包括：
构建模块，用于根据用户的历史评级信息构建评级矩阵，根据社交关系构建社交抽象网络；
隐性信任值获取模块，用于根据评级矩阵获取用户之间隐性信任值；
全局特征向量获取模块，用于对社交抽象网络进行嵌入得到每个用户节点的全局特征向量；
社团结构获取模块，用于对每个用户节点进行社团划分并更新社团中心，得到社交抽象网络的社团结构；
显性信任值获取模块，用于分别对社团结构中每个社团进行嵌入得到每个用户节点局部社团特征向量，根据用户节点的全局特征向量和局部社团特征向量获取用户之间的显性信任值；
细粒度信任值获取模块，用于融合隐性信任值与显性信任值得到融合信任值，融合信任值超过阈值的信任值作为用户之间的细粒度信任值；
评分模块，用于结合用户之间的细粒度信任值得到用户的潜在特征向量，根据用户的潜在特征向量获取用户对未交互商品的预测评分，根据预测评分对用户进行商品推荐。
进一步地，所述构建模块还用于：根据m个用户对n个商品的历史评级信息构建评级矩阵R＝[ra,b]m×n，其中，ra,b表示用户a对商品b的评分；构建用于表示用户之间的信任关系的社交抽象网络G＝(U,E,W)，其中，U代表用户集合，E代表用户之间连边集合，W代表用户之间的信任关系。
进一步地，所述隐性信任值获取模块还用于：根据评级矩阵，利用公式
Figure BDA0002646728290000071
获取用户之间隐性信任值；
其中，u和v分别为用户u和用户v，I为用户u和用户v都交互过的商品集合，ru,i为用户u对商品i的评分，
Figure BDA0002646728290000072
为用户u的平均评分，rv,i为用户v对商品i的评分，
Figure BDA0002646728290000073
为用户v的平均评分。
进一步地，所述社团结构获取模块还用于：
初始化k个社团的中心集合为{C1,C2,C3,...,Ck}，通过公式
Figure BDA0002646728290000074
获取每一个用户节点到社团中心的欧式距离，遍历所有社团中心，将用户节点i划分到所有社团中心中与该用户节点欧式距离最小的社团中心对应的社团；其中，社团中心个数K为商品种类个数，Xi为用户节点i的全局特征向量，Cj为第j个社团中心，S为全局特征向量的维度，t为全局特征向量的维度索引；
通过公式
Figure BDA0002646728290000075
更新每个社团中心，|Cj|为第j个社团中心的维度数值，Cj'为更新后的第j个社团中心，所有更新后的社团中心组成更新后的社团中心集合{C1',C2',C3',...,Ck'}；
将所有用户节点划分到与其欧式距离最小的社团中心对应的社团并更新每个社团中心以后形成社交抽象网络的社团结构。
进一步地，所述显性信任值获取模块还用于：使用LINE模型分别对社团结构中每个社团进行嵌入得到每个用户节点的64维局部社团特征向量，然后将每个用户节点的64维全局特征向量与64维局部社团特征向量前后拼接得到用户128维的特征向量，通过公式
Figure BDA0002646728290000081
获取两两用户128维特征向量之间的内积作为用户之间的显性信任值，其中，vecu为用户u的128维特征向量，vecv为用户v的128维特征向量。
进一步地，所述细粒度信任值获取模块还用于：
利用公式Trust＝a*trust1+(1-a)*trust2融合隐性信任值与显性信任值得到融合信任值，将大于阈值的融合信任值作为用户之间的细粒度信任值，a为融合因子。
进一步地，所述评分模块还用于：
通过公式
Figure BDA0002646728290000082
获取用户的潜在特征向量；
其中，Nu为用户u的直接邻居，Trustu,v为用户u与用户v之间的细粒度信任值，Pv为用户v的初始化潜在特征向量；
通过公式ru,i＝min_rate+dotu,i*(max_rate-min_rate)获取用户u对未交互商品i的预测评分；
其中，ru,i为用户u对未交互商品i的预测评分，min_rate为评分范围最小值，max_rate为评分范围最大值，dotu,i为用户u的潜在特征向量
Figure BDA0002646728290000083
与商品i的初始化潜在特征向量Qi的内积，且
Figure BDA0002646728290000084
本发明的优点在于：本发明通过用户的历史评级信息挖掘出用户之间隐性信任关系，引入社团检测技术将社交抽象网络划分为多个社团，不同的社团代表不同的领域，同一领域中的用户往往更加信任彼此，引入网络表示学习技术得到社交抽象网络中每个用户节点的向量表示，根据用户节点的全局特征向量和局部社团特征向量获取用户之间的显性信任值，通过融合隐性信任值与显性信任值得到用户之间细粒度信任值，细粒度信任值反映出用户之间信任程度的大小，根据细粒度信任值重新定义用户潜在特征向量，从而有效提高推荐系统的准确性。
附图说明
图1为本发明实施例所公开的基于网络表示学习和社团结构的矩阵分解推荐方法的流程图；
图2为本发明实施例所公开的基于网络表示学习和社团结构的矩阵分解推荐方法中社交抽象网络的结构示意图；
图3为本发明实施例所公开的基于网络表示学习和社团结构的矩阵分解推荐方法中社交抽象网络的社团结构的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，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作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。
实施例1
本实施例提供的推荐方法根据用户的历史评级信息和用户之间的二值信任关系使用网络表示学习技术和社团检测技术挖掘用户之间的细粒度信任值，再根据细粒度信任值定义用户潜在特征向量，提高推荐系统的效果。以下详细介绍本发明的方案，如图1所示，基于网络表示学习和社团结构的矩阵分解推荐方法，所述方法包括：
步骤A：根据用户的历史评级信息构建评级矩阵，根据社交关系构建社交抽象网络；具体过程为：
根据m个用户对n个商品的历史评级信息构建评级矩阵R＝[ra,b]m×n，其中，ra,b表示用户a对商品b的评分；构建用于表示用户之间的信任关系的社交抽象网络G＝(U,E,W)，其中，U代表用户集合，E代表用户之间连边集合，W代表用户之间的信任关系，图2中的社交信任关系可表示为G＝(U,E,T)，其中U＝{1，2，3，4，5，6，7，8，9}，E为社交抽象网络中13条连边的集合，用户之间存在连边则信任值为1，用户之间不存在连边则信任值为0。假设用户的个数m＝9，商品的个数n＝12，则用户对商品评级信息转变为评级矩阵如表1所示。
表1评级矩阵
Figure BDA0002646728290000101
其中，评级矩阵中的元素表示用户对已购买商品的真实评分，空格表示用户未购买过该商品。在以下步骤中会根据用户之间的显性信任值以及隐性信任值最终得出用户对未购买商品的预测评分。
步骤B：根据评级矩阵获取用户之间隐性信任值；具体过程为：
根据评级矩阵，利用公式
Figure BDA0002646728290000111
获取用户之间隐性信任值；
其中，u和v分别为用户u和用户v，I为用户u和用户v都交互过的商品集合，ru,i为用户u对商品i的评分，
Figure BDA0002646728290000112
为用户u的平均评分，rv,i为用户v对商品i的评分，
Figure BDA0002646728290000114
为用户v的平均评分。将用户之间的隐性信任值trust1用隐性信任值矩阵表示为表2的形式。
表2隐性信任值矩阵
Figure BDA0002646728290000113
信任值矩阵表示用户之间的信任关系，信任值大于0表示两用户正相关，且信任值越大正相关性越强，信任值小于0表示两用户负相关，且信任值越小负相关性越强。
步骤C：对社交抽象网络进行嵌入得到每个用户节点的全局特征向量；本实施例中使用常用的网络表示学习方法LINE模型对社交抽象网络进行嵌入得到每个用户节点64维全局特征向量，记为global_vec，其中，社交抽象网络的一种实施方式为图3所示。LINE模型对社交抽象网络进行嵌入并获取全局特征向量属于现有技术，例如将文献《Jian Tang,Meng Qu,Mingzhe Wang,Ming Zhang,Jun Yan,Qiaozhu Mei:LINE:Large-scaleInformationNetwork Embedding.WWW 2015:1067-1077J》中用户特征向量的维度设置为64即可得到每个用户节点64维全局特征向量。
步骤D：对每个用户节点进行社团划分并更新社团中心，得到社交抽象网络的社团结构；主要使用k-means社团检测算法对社交抽象网络G＝(U,E,T)进行社团检测，其主要过程为：
初始化k个社团的中心集合为{C1,C2,C3,...,Ck}，通过公式
Figure BDA0002646728290000121
获取每一个用户节点到社团中心的欧式距离，遍历所有社团中心，将用户节点i划分到所有社团中心中与该用户节点欧式距离最小的社团中心对应的社团；其中，社团中心个数K为商品种类个数，Xi为用户节点i的全局特征向量，Cj为第j个社团中心，S为全局特征向量的维度，t为全局特征向量的维度索引。
通过公式
Figure BDA0002646728290000122
更新每个社团中心，|Cj|为第j个社团中心的维度数值，Cj'为更新后的第j个社团中心，所有更新后的社团中心组成更新后的社团中心集合{C1',C2',C3',...,Ck'}；
将所有用户节点划分到与其欧式距离最小的社团中心对应的社团并更新每个社团中心以后形成社交抽象网络的社团结构。
本实施例中K＝2，得到社团C1和社团C2，如图3所示，社团C1＝[3，6，7，8，9]，社团C2＝[1，2，4，5]，社团中元素为用户节点。
步骤E：分别对社团结构中每个社团进行嵌入得到每个用户节点局部社团特征向量，根据用户节点的全局特征向量和局部社团特征向量获取用户之间的显性信任值；具体过程为：
继续参阅图3，使用网络表示学习LINE模型分别对社团结构中社团C1和社团C2的用户节点进行嵌入得到每个用户节点的64维局部社团特征向量，然后将每个用户节点的64维全局特征向量与64维局部社团特征向量前后拼接得到用户128维的特征向量，通过公式
Figure BDA0002646728290000131
获取两两用户128维特征向量之间的内积作为用户之间的显性信任值，其中，|| ||2表示2-范数符号，vecu为用户u的128维特征向量，vecv为用户v的128维特征向量。需要说明的是，局部社团特征向量的获取方法与上述步骤C中全局特征向量获取方法相同，可以参考上述文献记载的方法进行局部社团特征向量的获取，在此不做赘述。
将所有用户之间的显性信任值trust2用显性信任值矩阵表示为表3的形式。
表3显性信任值矩阵
Figure BDA0002646728290000132
Figure BDA0002646728290000141
与表2的隐性信任值矩阵有相同的特性，显性信任值矩阵也表示用户之间的信任关系，信任值大于0表示两用户正相关，且信任值越大正相关性越强，信任值小于0表示两用户负相关，且信任值越小负相关性越强。
步骤F：融合隐性信任值与显性信任值得到融合信任值，融合信任值超过阈值的信任值作为用户之间的细粒度信任值；具体过程为：
利用公式Trust＝a*trust1+(1-a)*trust2融合隐性信任值与显性信任值得到融合信任值，将大于阈值的融合信任值作为用户之间的细粒度信任值，小于阈值的表示用户之间信任关系为0，a为融合因子，本实施例中，阈值为0.2，融合因子为0.5，融合因子用于控制隐性信任值与显性信任值的比重。将所有用户之间的细粒度信任值Trust用细粒度信任值矩阵的形式表示为表4所示。
表4细粒度信任值矩阵
Figure BDA0002646728290000142
Figure BDA0002646728290000151
步骤G：结合用户之间的细粒度信任值得到用户的潜在特征向量，根据用户的潜在特征向量获取用户对未交互商品的预测评分，根据预测评分对用户进行商品推荐。具体过程为：
使用矩阵分解技术对评级矩阵进行矩阵分解，得到10维用户初始化潜在特征向量和10维商品初始化潜在特征向量，这里采用的现有技术，例如可以参考文献《MohsenJamali,Martin Ester:A matrix factorization technique with trust propagationfor recommendation in social networks.RecSys 2010:135-142》直接获取10维用户初始化潜在特征向量和10维商品初始化潜在特征向量。
由于社交关系的影响，用户u的兴趣偏好会受到其直接邻居的影响，于是考虑用户u的直接邻居的影响，通过公式
Figure BDA0002646728290000152
获取用户的潜在特征向量；其中，Nu为用户u的直接邻居，Trustu,v为用户u与用户v之间的细粒度信任值，Pv为用户v的初始化潜在特征向量；
通过公式ru,i＝min_rate+dotu,i*(max_rate-min_rate)获取用户u对未交互商品i的预测评分；
其中，ru,i为用户u对未交互商品i的预测评分，min_rate为评分范围最小值，max_rate为评分范围最大值，dotu,i为用户u的潜在特征向量
Figure BDA0002646728290000153
与商品i的初始化潜在特征向量Qi的内积，且
Figure BDA0002646728290000154
用户对未交互商品的评分预测结果如表5所示：
表5用户对未交互商品的评分预测结果
Figure BDA0002646728290000161
与表1对应的，表5通过本发明的推荐方法得出预测结果填补了表1中空的元素，其中未加粗的值为用户对商品的真实评分，黑色加粗的值为用户对未交互商品的预测评分。在对用户进行商品推荐时可根据预测评分的大小进行推荐，例如用户1的预测评分r1,5>r1,9>r1,12>r1,11>r1,3>r1,8>r1,1，则向用户1推荐时商品的优先级排序为5>9>12>11>3>8>1。
通过以上技术方案，本发明提供的基于网络表示学习和社团结构的矩阵分解推荐方法，通过用户的历史评级信息挖掘出用户之间隐性信任关系；引入社团检测技术将社交抽象网络划分为多个社团，不同的社团代表不同的领域，同一领域中的用户往往更加信任彼此，将用户所在的社团结构作为用户的局部结构可以得到用户更准确的嵌入表示；引入网络表示学习技术可以得到社交抽象网络中每个用户节点的向量表示，通过计算两两用户特征向量之间的内积可以得到用户之间细粒度信任值，细粒度信任值反映出用户之间信任程度的大小。从而有效提高推荐系统的效果。
实施例2
与本发明实施例1相对应的，本发明实施例2还提供基于网络表示学习和社团结构的矩阵分解推荐系统，所述系统包括：
构建模块，用于根据用户的历史评级信息构建评级矩阵，根据社交关系构建社交抽象网络；
隐性信任值获取模块，用于根据评级矩阵获取用户之间隐性信任值；
全局特征向量获取模块，用于对社交抽象网络进行嵌入得到每个用户节点的全局特征向量；
社团结构获取模块，用于对每个用户节点进行社团划分并更新社团中心，得到社交抽象网络的社团结构；
显性信任值获取模块，用于分别对社团结构中每个社团进行嵌入得到每个用户节点局部社团特征向量，根据用户节点的全局特征向量和局部社团特征向量获取用户之间的显性信任值；
细粒度信任值获取模块，用于融合隐性信任值与显性信任值得到融合信任值，融合信任值超过阈值的信任值作为用户之间的细粒度信任值；
评分模块，用于结合用户之间的细粒度信任值得到用户的潜在特征向量，根据用户的潜在特征向量获取用户对未交互商品的预测评分，根据预测评分对用户进行商品推荐。
具体的，所述构建模块还用于：根据m个用户对n个商品的历史评级信息构建评级矩阵R＝[ra,b]m×n，其中，ra,b表示用户a对商品b的评分；构建用于表示用户之间的信任关系的社交抽象网络G＝(U,E,W)，其中，U代表用户集合，E代表用户之间连边集合，W代表用户之间的信任关系。
进一步地，所述隐性信任值获取模块还用于：根据评级矩阵，利用公式
Figure BDA0002646728290000181
获取用户之间隐性信任值；
其中，u和v分别为用户u和用户v，I为用户u和用户v都交互过的商品集合，ru,i为用户u对商品i的评分，
Figure BDA0002646728290000182
为用户u的平均评分，rv,i为用户v对商品i的评分，
Figure BDA0002646728290000183
为用户v的平均评分。
具体的，所述社团结构获取模块还用于：
初始化k个社团的中心集合为{C1,C2,C3,...,Ck}，通过公式
Figure BDA0002646728290000184
获取每一个用户节点到社团中心的欧式距离，遍历所有社团中心，将用户节点i划分到所有社团中心中与该用户节点欧式距离最小的社团中心对应的社团；其中，社团中心个数K为商品种类个数，Xi为用户节点i的全局特征向量，Cj为第j个社团中心，S为全局特征向量的维度，t为全局特征向量的维度索引；
通过公式
Figure BDA0002646728290000185
更新每个社团中心，|Cj|为第j个社团中心的维度数值，Cj'为更新后的第j个社团中心，所有更新后的社团中心组成更新后的社团中心集合{C1',C2',C3',...,Ck'}；
将所有用户节点划分到与其欧式距离最小的社团中心对应的社团并更新每个社团中心以后形成社交抽象网络的社团结构。
具体的，所述显性信任值获取模块还用于：使用LINE模型分别对社团结构中每个社团进行嵌入得到每个用户节点的64维局部社团特征向量，然后将每个用户节点的64维全局特征向量与64维局部社团特征向量前后拼接得到用户128维的特征向量，通过公式
Figure BDA0002646728290000191
获取两两用户128维特征向量之间的内积作为用户之间的显性信任值，其中，vecu为用户u的128维特征向量，vecv为用户v的128维特征向量。
具体的，所述细粒度信任值获取模块还用于：
利用公式Trust＝a*trust1+(1-a)*trust2融合隐性信任值与显性信任值得到融合信任值，将大于阈值的融合信任值作为用户之间的细粒度信任值，a为融合因子。
具体的，所述评分模块还用于：
通过公式
Figure BDA0002646728290000192
获取用户的潜在特征向量；
其中，Nu为用户u的直接邻居，Trustu,v为用户u与用户v之间的细粒度信任值，Pv为用户v的初始化潜在特征向量；
通过公式ru,i＝min_rate+dotu,i*(max_rate-min_rate)获取用户u对未交互商品i的预测评分；
其中，ru,i为用户u对未交互商品i的预测评分，min_rate为评分范围最小值，max_rate为评分范围最大值，dotu,i为用户u的潜在特征向量
Figure BDA0002646728290000193
与商品i的初始化潜在特征向量Qi的内积，且
Figure BDA0002646728290000194
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.基于网络表示学习和社团结构的矩阵分解推荐方法，其特征在于，所述方法包括：
步骤A：根据用户的历史评级信息构建评级矩阵，根据社交关系构建社交抽象网络；
步骤B：根据评级矩阵获取用户之间隐性信任值；具体过程为：根据评级矩阵，利用公式
Figure FDA0004056580480000011
获取用户之间隐性信任值；
其中，u和v分别为用户u和用户v，I为用户u和用户v都交互过的商品集合，ru,i为用户u对商品i的评分，
Figure FDA0004056580480000012
为用户u的平均评分，rv,i为用户v对商品i的评分，
Figure FDA0004056580480000013
为用户v的平均评分；
步骤C：对社交抽象网络进行嵌入得到每个用户节点的全局特征向量；
步骤D：对每个用户节点进行社团划分并更新社团中心，得到社交抽象网络的社团结构；具体过程为：初始化k个社团的中心集合为{C1,C2,C3,...,Ck}，通过公式
Figure FDA0004056580480000014
获取每一个用户节点到社团中心的欧式距离，遍历所有社团中心，将用户节点i划分到所有社团中心中与该用户节点欧式距离最小的社团中心对应的社团；其中，社团中心个数K为商品种类个数，Xi为用户节点i的全局特征向量，Cj为第j个社团中心，S为全局特征向量的维度，t为全局特征向量的维度索引；
通过公式
Figure FDA0004056580480000015
更新每个社团中心，|Cj|为第j个社团中心的维度数值，Cj'为更新后的第j个社团中心，所有更新后的社团中心组成更新后的社团中心集合{C1',C2',C3',...,Ck'}；
将所有用户节点划分到与其欧式距离最小的社团中心对应的社团并更新每个社团中心以后形成社交抽象网络的社团结构；
步骤E：分别对社团结构中每个社团进行嵌入得到每个用户节点局部社团特征向量，根据用户节点的全局特征向量和局部社团特征向量获取用户之间的显性信任值；具体过程为：使用LINE模型分别对社团结构中每个社团进行嵌入得到每个用户节点的64维局部社团特征向量，然后将每个用户节点的64维全局特征向量与64维局部社团特征向量前后拼接得到用户128维的特征向量，通过公式
Figure FDA0004056580480000021
获取两两用户128维特征向量之间的内积作为用户之间的显性信任值，其中，vecu为用户u的128维特征向量，vecv为用户v的128维特征向量；
步骤F：融合隐性信任值与显性信任值得到融合信任值，融合信任值超过阈值的信任值作为用户之间的细粒度信任值；
步骤G：结合用户之间的细粒度信任值得到用户的潜在特征向量，根据用户的潜在特征向量获取用户对未交互商品的预测评分，根据预测评分对用户进行商品推荐；具体过程为：通过公式
Figure FDA0004056580480000022
获取用户的潜在特征向量；
其中，Nu为用户u的直接邻居，Trustu,v为用户u与用户v之间的细粒度信任值，Pv为用户v的初始化潜在特征向量；
通过公式ru,i＝min_rate+dotu,i*(max_rate-min_rate)获取用户u对未交互商品i的预测评分；
其中，ru,i为用户u对未交互商品i的预测评分，min_rate为评分范围最小值，max_rate为评分范围最大值，dotu,i为用户u的潜在特征向量
Figure FDA0004056580480000031
与商品i的初始化潜在特征向量Qi的内积，且
Figure FDA0004056580480000032
2.根据权利要求1所述的基于网络表示学习和社团结构的矩阵分解推荐方法，其特征在于，所述步骤A包括：根据m个用户对n个商品的历史评级信息构建评级矩阵R＝[ra,b]m×n，其中，ra,b表示用户a对商品b的评分；构建用于表示用户之间的信任关系的社交抽象网络G＝(U,E,W)，其中，U代表用户集合，E代表用户之间连边集合，W代表用户之间的信任关系。
3.根据权利要求1所述的基于网络表示学习和社团结构的矩阵分解推荐方法，其特征在于，所述步骤F包括：
利用公式Trust＝a*trust1+(1-a)*trust2融合隐性信任值与显性信任值得到融合信任值，将大于阈值的融合信任值作为用户之间的细粒度信任值，a为融合因子。
4.基于网络表示学习和社团结构的矩阵分解推荐系统，其特征在于，所述系统包括：
构建模块，用于根据用户的历史评级信息构建评级矩阵，根据社交关系构建社交抽象网络；
隐性信任值获取模块，用于根据评级矩阵获取用户之间隐性信任值；具体过程为：根据评级矩阵，利用公式
Figure FDA0004056580480000033
获取用户之间隐性信任值；
其中，u和v分别为用户u和用户v，I为用户u和用户v都交互过的商品集合，ru,i为用户u对商品i的评分，
Figure FDA0004056580480000034
为用户u的平均评分，rv,i为用户v对商品i的评分，
Figure FDA0004056580480000041
为用户v的平均评分；
全局特征向量获取模块，用于对社交抽象网络进行嵌入得到每个用户节点的全局特征向量；
社团结构获取模块，用于对每个用户节点进行社团划分并更新社团中心，得到社交抽象网络的社团结构；具体过程为：初始化k个社团的中心集合为{C1,C2,C3,...,Ck}，通过公式
Figure FDA0004056580480000042
获取每一个用户节点到社团中心的欧式距离，遍历所有社团中心，将用户节点i划分到所有社团中心中与该用户节点欧式距离最小的社团中心对应的社团；其中，社团中心个数K为商品种类个数，Xi为用户节点i的全局特征向量，Cj为第j个社团中心，S为全局特征向量的维度，t为全局特征向量的维度索引；
通过公式
Figure FDA0004056580480000043
更新每个社团中心，|Cj|为第j个社团中心的维度数值，Cj'为更新后的第j个社团中心，所有更新后的社团中心组成更新后的社团中心集合{C1',C2',C3',...,Ck'}；
将所有用户节点划分到与其欧式距离最小的社团中心对应的社团并更新每个社团中心以后形成社交抽象网络的社团结构；
显性信任值获取模块，用于分别对社团结构中每个社团进行嵌入得到每个用户节点局部社团特征向量，根据用户节点的全局特征向量和局部社团特征向量获取用户之间的显性信任值；具体过程为：使用LINE模型分别对社团结构中每个社团进行嵌入得到每个用户节点的64维局部社团特征向量，然后将每个用户节点的64维全局特征向量与64维局部社团特征向量前后拼接得到用户128维的特征向量，通过公式
Figure FDA0004056580480000044
获取两两用户128维特征向量之间的内积作为用户之间的显性信任值，其中，vecu为用户u的128维特征向量，vecv为用户v的128维特征向量；
细粒度信任值获取模块，用于融合隐性信任值与显性信任值得到融合信任值，融合信任值超过阈值的信任值作为用户之间的细粒度信任值；
评分模块，用于结合用户之间的细粒度信任值得到用户的潜在特征向量，根据用户的潜在特征向量获取用户对未交互商品的预测评分，根据预测评分对用户进行商品推荐；具体过程为：通过公式
Figure FDA0004056580480000051
获取用户的潜在特征向量；
其中，Nu为用户u的直接邻居，Trustu,v为用户u与用户v之间的细粒度信任值，Pv为用户v的初始化潜在特征向量；
通过公式ru,i＝min_rate+dotu,i*(max_rate-min_rate)获取用户u对未交互商品i的预测评分；
其中，ru,i为用户u对未交互商品i的预测评分，min_rate为评分范围最小值，max_rate为评分范围最大值，dotu,i为用户u的潜在特征向量
Figure FDA0004056580480000052
与商品i的初始化潜在特征向量Qi的内积，且
Figure FDA0004056580480000053
5.根据权利要求4所述的基于网络表示学习和社团结构的矩阵分解推荐系统，其特征在于，所述构建模块还用于：根据m个用户对n个商品的历史评级信息构建评级矩阵R＝[ra,b]m×n，其中，ra,b表示用户a对商品b的评分；构建用于表示用户之间的信任关系的社交抽象网络G＝(U,E,W)，其中，U代表用户集合，E代表用户之间连边集合，W代表用户之间的信任关系。
CN202010856899.2A 2020-08-24 2020-08-24 基于网络表示学习和社团结构的矩阵分解推荐方法及系统 Active CN111814059B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010856899.2A CN111814059B (zh) 2020-08-24 2020-08-24 基于网络表示学习和社团结构的矩阵分解推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010856899.2A CN111814059B (zh) 2020-08-24 2020-08-24 基于网络表示学习和社团结构的矩阵分解推荐方法及系统

Publications (2)

Publication Number Publication Date
CN111814059A CN111814059A (zh) 2020-10-23
CN111814059B true CN111814059B (zh) 2023-04-07

Family

ID=72859098

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010856899.2A Active CN111814059B (zh) 2020-08-24 2020-08-24 基于网络表示学习和社团结构的矩阵分解推荐方法及系统

Country Status (1)

Country Link
CN (1) CN111814059B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110955829A (zh) * 2019-11-19 2020-04-03 江西财经大学 融合信任度和度量因子矩阵分解的兴趣点推荐方法及系统

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130097056A1 (en) * 2011-10-13 2013-04-18 Xerox Corporation Methods and systems for recommending services based on an electronic social media trust model
CN103399858B (zh) * 2013-07-01 2016-08-10 吉林大学 基于信任的社会化协同过滤推荐方法
US20150187024A1 (en) * 2013-12-27 2015-07-02 Telefonica Digital España, S.L.U. System and Method for Socially Aware Recommendations Based on Implicit User Feedback
CN106708953A (zh) * 2016-11-28 2017-05-24 西安电子科技大学 基于离散粒子群优化的局部社区检测协同过滤推荐方法
CN106682114B (zh) * 2016-12-07 2020-10-27 广东工业大学 一种融合用户信任关系和评论信息的个性化推荐方法
CN108596774B (zh) * 2018-04-24 2021-10-01 山东师范大学 基于深层次网络嵌入特征的社会化信息推荐算法及系统
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
CN111460318B (zh) * 2020-03-31 2022-09-30 中南大学 基于显性和隐性信任的协同过滤推荐方法
CN111506830B (zh) * 2020-04-09 2022-08-09 中南大学 融合社交信任影响力的协同过滤推荐算法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110955829A (zh) * 2019-11-19 2020-04-03 江西财经大学 融合信任度和度量因子矩阵分解的兴趣点推荐方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Xian Yang.A Product Recommendation Approach Based on the Latent Social Trust Network Model for Collaborative Filtering.IEEE.2016,第178-185页. *
李鹏程.基于信任评估的移动社交网络个性化服务研究.中国优秀硕士学位论文全文数据库.2019,第J157-648页. *

Also Published As

Publication number Publication date
CN111814059A (zh) 2020-10-23

Similar Documents

Publication Publication Date Title
US9779161B2 (en) Visualizing conflicts in online messages
CN112214685B (zh) 一种基于知识图谱的个性化推荐方法
CN107330115B (zh) 一种信息推荐方法及装置
CN110019812B (zh) 一种用户自生产内容检测方法和系统
US10503805B2 (en) Generating feedback for a target content item based on published content items
US11676194B2 (en) Faceted item recommendation system
CN112507246B (zh) 一种融合全局和局部社会兴趣影响的社会推荐方法
US10474899B2 (en) Social engagement based on image resemblance
CN108389113B (zh) 一种协同过滤推荐方法和系统
CN111782765A (zh) 一种基于图注意力机制的推荐方法
Flexer et al. Mutual proximity graphs for improved reachability in music recommendation
Chaubey et al. Sentiment analysis of image with text caption using deep learning techniques
CN115329215A (zh) 异构网络中基于自适应动态知识图谱的推荐方法及系统
CN115238191A (zh) 对象推荐方法以及装置
Magdum et al. Mining online reviews and tweets for predicting sales performance and success of movies
CN114692007A (zh) 表示信息的确定方法、装置、设备及存储介质
Dang et al. Collaborative filtering in social networks: A community-based approach
CN111814059B (zh) 基于网络表示学习和社团结构的矩阵分解推荐方法及系统
CN115221954B (zh) 用户画像方法、装置、电子设备以及存储介质
CN115481325A (zh) 基于用户全局兴趣迁移感知的个性化新闻推荐方法及系统
CN111125387B (zh) 多媒体列表生成、命名方法、装置、电子设备和存储介质
Li et al. Semi-siamese network for content-based video relevance prediction
CN114332472A (zh) 一种基于图神经网络的数据处理方法及装置
Yin et al. Heterogeneous information network model for equipment-standard system
Wu et al. A Social Media Based Profiling Approach for Potential Churning Customers: An Example for Telecom Industry

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