CN113987261A - 一种基于动态信任感知的视频推荐方法及系统 - Google Patents

一种基于动态信任感知的视频推荐方法及系统 Download PDF

Info

Publication number
CN113987261A
CN113987261A CN202111311681.XA CN202111311681A CN113987261A CN 113987261 A CN113987261 A CN 113987261A CN 202111311681 A CN202111311681 A CN 202111311681A CN 113987261 A CN113987261 A CN 113987261A
Authority
CN
China
Prior art keywords
preference
users
user
trust
dynamic
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
CN202111311681.XA
Other languages
English (en)
Other versions
CN113987261B (zh
Inventor
刘志中
孟令强
初佃辉
海燕
贾卫华
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.)
Yantai University
Original Assignee
Yantai 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 Yantai University filed Critical Yantai University
Priority to CN202111311681.XA priority Critical patent/CN113987261B/zh
Publication of CN113987261A publication Critical patent/CN113987261A/zh
Application granted granted Critical
Publication of CN113987261B publication Critical patent/CN113987261B/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
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/73—Querying
    • G06F16/735—Filtering based on additional data, e.g. user or group profiles
    • 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
    • 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

Abstract

本发明属于偏好估计技术领域，提供了一种基于动态信任感知的视频推荐方法及系统，获取所有用户对某视频的初始真实偏好和初始交流偏好；将所有用户的初始真实偏好和初始交流偏好输入基于动态信任感知的偏好演化模型，得到所有用户对该视频的最终真实偏好；根据所有用户对该视频的最终真实偏好，向所有用户进行视频推荐；所述基于动态信任感知的偏好演化模型通过动态异质交互偏好接受度和动态异构信任度，依次对用户的真实偏好、交流偏好、公开偏好和估计偏好进行演化，进而提高了偏好演化的精确度，为用户推荐更加感兴趣的视频。

Description

一种基于动态信任感知的视频推荐方法及系统
技术领域
本发明属于视频推荐技术领域，尤其涉及一种基于动态信任感知的视频推荐方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
近年来，随着互联网技术的快速发展，人们可以通过网络等通讯工具，根据自己对相关视频的偏好，便捷地发表和交流各自的观点和意见，形成评论。当前，需要正确及时地预测大众对不同视频的偏好，从而为用户推荐感兴趣的视频。因此，针对用户群体对不同视频的偏好进行估计，把握用户群体对不同视频的兴趣，为用户推荐感兴趣的视频，具有重要的应用价值。
用户群体的偏好因受环境因素和社交对象的影响而不断地演化，研究并建立符合用户偏好变化规律的估计模型是当前亟需解决的重要问题。有界置信模型(BoundedConfidence Model,BCM)是舆论动力学中对偏好演化进行建模的重要工具，在多个领域得到了成功的应用。有界置信模型通常通常设置一个静态的有界置信阈值作为用户间交互需要满足的条件，并假设用户偏好等于所有与之交流用户偏好的平均值以及所有用户会诚实地表达他们的偏好。然而，在现实生活中，上述设置和假设并不完全成立。首先，作为用户间交互需要满足的有界置信阈值具有动态性；再则，用户在进行交流时，通常以不同的程度保留其原有的偏好；最后，用户对于不同的交互对象会表达出不同的偏好。上述矛盾给用户最终偏好的预测带来了一定的挑战。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种基于动态信任感知的视频推荐方法及系统，提高了偏好演化的准确度，进而为用户推荐更加感兴趣的视频。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种基于动态信任感知的视频推荐方法，其包括：
获取所有用户对某视频的初始真实偏好和初始交流偏好；
将所有用户的初始真实偏好和初始交流偏好输入基于动态信任感知的偏好演化模型，得到所有用户对该视频的最终真实偏好；
根据所有用户对该视频的最终真实偏好，向所有用户进行视频推荐；
所述基于动态信任感知的偏好演化模型通过动态异质交互偏好接受度和动态异构信任度，依次对用户的真实偏好、交流偏好、公开偏好和估计偏好进行演化。
进一步的，所述基于动态信任感知的偏好演化模型具体包括：
步骤201，计算用户之间的交互影响度和每个用户的动态异质交互偏好接受度，基于用户之间的交互影响度，计算每个用户的动态异质有界置信阈值以及用户之间的动态异构信任度；
步骤202，基于动态异质有界置信阈值、动态异构信任度和动态异质交互偏好接受度，依次更新用户的真实偏好、交流偏好、公开偏好和估计偏好；
步骤203，判断每个用户真实偏好是否达到稳定状态，若达到稳定状态，输出所有用户的真实偏好；否则，选取若干对用户，对用户之间的交互关系进行突变，并返回步骤201。
进一步的，所述真实偏好的演化方法为：当前时刻的真实偏好为，当前时刻的剩余偏好接受度与上一时刻的真实偏好的乘积，再加上上一时刻偏好接受度与上一时刻总偏好影响的乘积。
进一步的，所述交流偏好的演化方法为：对于某一用户，当其他用户属于在当前时刻满足动态异质有界置信阈值要求的其他用户的集合时，当前时刻该用户对其他用户的交流偏好为，上一时刻信任度与上一时刻该用户真实偏好的乘积，再加上上一时刻的剩余信任度与上一时刻该用户对其他用户的交流偏好；否则，当前时刻该用户对其他用户的交流偏好为，当前时刻该用户的真实偏好与上一时刻该用户与其他用户之间的交流偏好相乘后，与上一时刻该用户对其他用户的交流偏好的比值。
进一步的，所述公开偏好的演化方法为：当前时刻用户的公开偏好为，当前时刻该用户对所有其他用户的交流偏好的均值。
进一步的，所述估计偏好的演化方法为：当前时刻某一用户对其他用户的估计偏好为，当前时刻信任度与当前时刻其他用户对该用户的交流偏好的乘积，在加上当前时刻剩余信任度与当前时刻其他用户的公开偏好。
进一步的，所述交互影响度的计算方法：当某一用户对其他用户表达交流偏好时，当前时刻某一用户对其他用户的交互影响度为，剩余影响比重与上一时刻该用户对其他用户的交互影响度的乘积加上影响比重；否则，当前时刻某一用户对其他用户的交互影响度为，剩余影响比重与上一时刻该用户对其他用户的交互影响度的乘积。
本发明的第二个方面提供一种基于动态信任感知的视频推荐系统，其包括：
初始偏好获取模块，其被配置为：获取所有用户对某视频的的初始真实偏好和初始交流偏好；
偏好演化模块，其被配置为：将所有用户的初始真实偏好和初始交流偏好输入基于动态信任感知的偏好演化模型，得到所有用户对该视频的最终真实偏好；
视频推荐模块，其被配置为：根据所有用户对该视频的最终真实偏好，向所有用户进行视频推荐；
所述基于动态信任感知的偏好演化模型通过动态异质交互偏好接受度和动态异构信任度，依次对用户的真实偏好、交流偏好、公开偏好和估计偏好进行演化。
本发明的第三个方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的一种基于动态信任感知的视频推荐方法中的步骤。
本发明的第四个方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的一种基于动态信任感知的视频推荐方法中的步骤。
与现有技术相比，本发明的有益效果是：
本发明提供了一种基于动态信任感知的视频推荐方法，其通过动态异质交互偏好接受度和动态异构信任度，依次对用户的真实偏好、交流偏好、公开偏好和估计偏好进行演化，提高了偏好演化的准确度，进而提高了视频推荐的精确度，为用户推荐更加感兴趣的视频。
本发明提供了一种基于动态信任感知的视频推荐方法，其引入了动态有界置信阈值，以此建模有界置信度的动态性，很好地解决交互个体偏好影响的接受度问题以及偏好表达的诚实度问题。
本发明提供了一种基于动态信任感知的视频推荐方法，其引入了动态异质交互偏好接受度算子，以此建模个体对交互对象偏好影响的接受程度，引入了动态信任度算子，以此度量个体偏好表达的诚实程度，更加有效地描述了个体对交互对象偏好影响的接受程度以及接受程度的动态性、异质性。
本发明提供了一种基于动态信任感知的视频推荐方法，其将动态信任度作为影响偏好演化的重要因子，并建模交互影响度对信任度的影响，提高了模型在偏好演化上的准确度。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例一的一种基于动态信任感知的视频推荐方法的整体流程图；
图2是本发明实施例一的有界置信阈值对演化步数的影响图；
图3是本发明实施例一的有界置信阈值对最小偏好差的影响图；
图4是本发明实施例一的信任度对演化步数的影响图；
图5是本发明实施例一的信任度对最小偏好差的影响图；
图6是本发明实施例一的偏好接受度对演化步数的影响图；
图7是本发明实施例一的偏好接受度对最小偏好差的影响图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
术语解释：
有界置信模型(Bounded Confidence Model,BCM)是一种广泛应用于探索公众偏好和社会行为的偏好演化模型。有界置信模型主要有两种，分别为Deffuant-Weisbuch(DW)模型与Hegselmann-Krause(HK)模型。这两种模型主要区别在于影响机制不同，对于DW模型，每次只有满足阈值要求的随机的两个用户之间会发生交互，进而影响用户偏好；对于HK模型，每次所有满足阈值要求的用户之间都会发生交互，进而影响用户偏好。
HK模型中包括一系列的关于用户偏好、有界置信阈值、权重、用户偏好演化等的概念，下面给出这些概念的定义。
用户偏好：设A＝{A1,A2,...,AN}为一组用户，t为离散时间，x(t)＝(x1(t),x2(t),...,xn(t))为t时刻每个用户的偏好值，其中，xi(t)∈[0,1]表示用户Ai在t时刻的偏好。
有界置信阈值：有界置信阈值是用户之间发生交互所要满足的最大偏好差值。设ε为模型的有界置信阈值，I(Ai,X(t))＝{Aj||xi(t)-xj(t)|≤ε}表示Ai在t时刻满足阈值要求的其他用户的集合。
偏好演化权重：偏好演化权重表示用户之间赋予的偏好影响权重，设wij(t)为Ai赋给Aj的权重，其度量公式下式所示：
Figure BDA0003342187120000071
其中，#I(Ai,X(t))表示I(Ai,X(t))中用户的数量。
用户偏好演化：设t时刻用户Ai的偏好为xi(t)，xi(t+1)为t+1时刻用户的Ai偏好，则用户Ai的偏好演化公式如下式所示：
Figure BDA0003342187120000072
其中，Aj∈I(Ai,x(t))表示在t时刻满足阈值要求的其他用户的集合，Aj为集合中任意一个用户，wij(t)是表示Ai赋给Aj的偏好影响权重，xj(t)为t时刻用户Aj的偏好。
交互欺骗与异构信任感知的偏好演化模型(Yucheng Dong,Yuxiang Fan,HaimingLiang,Francisco Chiclana，Enrique Herrera-Viedma.Preference evolution withdeceptive interactions and heterogeneous trust in bounded confidence model:Asimulation analysis[J].Knowledge-Based Systems,175(2019):87–95.)，基于HK模型将用户的偏好划分为四种，分别为：真实偏好、交流偏好、公开偏好和估计偏好。特别地，交互欺骗与异构信任感知的偏好演化模型引入了用户间的信任度概念，并将信任度作为表达偏好和度量偏好演化的重要因素，纳入了四种偏好的演化公式中，四种偏好定义如下：
真实偏好：xi(t)∈[0,1]，为t时刻用户Ai(i＝1,2,...,N)的真实偏好。
交流偏好：每个用户对其他用户有不同的信任度，用户会根据不同的信任度向其他用户表达不同的偏好，该偏好被称为交流偏好。设zij(t)∈[0,1]，为t时刻用户Ai向用户Aj表达的交流偏好，其中，i＝1,2,...,N，i！＝j；Ai对Aj的信任程度越大，交流偏好zij(t)越接近于真实偏好xi(t)。
公开偏好：每个用户向所有用户表达的偏好被称为公开偏好。设yi(t)表示t时刻Ai的公开偏好，其中i＝1,2,...,N，yi(t)等于交流偏好zij(t)的平均值，其度量公式下式所示：
Figure BDA0003342187120000081
估计偏好：一个用户通常不会时刻了解其他用户的真实偏好，并且不能完全信任其他用户表达给他的交流偏好。因此，当收到其他用户表达的交流偏好时，用户会评估对方的真实偏好。对于任何用户Ai,Aj∈A，Ai会根据收到的公共偏好和交流偏好来估计Aj的真实偏好，设fij(t)为Ai对Aj的估计偏好，fij(t)的度量公式如下式所示：
fij(t)＝aijzij(t)+(1-aij)yj(t) (i,j＝1,2,...,N；i！＝j)
其中，αij∈[0,1]表示Ai对Aj的信任度，该信任度被设置为一个静态的值，并作为模型的参数在初始时给出。
实施例一
如图1所示，本实施例提供了一种基于动态信任感知的视频推荐方法，提出了一种基于动态信任感知的偏好演化模型(Dynamic Trust-aware Preferences EvolutionModel,DTPEM)。DTPEM提出了动态有界置信度算子，用其建模有界置信阈值的动态性；引入了动态异构交互偏好接受度算子，用其建模用户对交互对象偏好影响的接受程度；提出了动态异构信任度，用其建模用户偏好表达的诚实程度；针对用户的四种偏好，结合动态异构交互偏好接受度和动态异构信任度，设计了新的偏好演化公式。本发明所提出的模型能够更好模拟现实生活用户偏好演化的真实过程，克服了有界置信模型及其变体存在的不足。
本实施例提供的一种基于动态信任感知的视频推荐方法，具体步骤包括：
步骤1、获取所有用户对某一视频的初始真实偏好和初始交流偏好。
步骤101、在某视频发布后的一段时间内，获取所有用户对给视频的初始真实信息和初始交流信息。
在某视频刚发布的一段时间内，多个用户会对其进行浏览，并对该视频进行评论，因此，该视频会有多条直接评论，这些直接评论即为初始真实信息；而这些直接评论会引发其他用户对这些直接评论进行再次评论，即对该视频的间接评论，其他用户对直接评论的再次评论即为初始交流信息。
理想情况下，一个用户Ai会发表一条直接评论Ti，也会对其他任一用户Aj的评论进行评论。需要注意的是，一个用户Ai可能会对某一个其他用户Aj的评论发表多条评论，此时，将一个用户Ai对该其他用户Aj的所有评论求并集，作为该用户的初始交流信息Tij，并统计。因此，一个用户Ai对应一条初始真实信息Ti和与其他任一用户的初始交流信息Tij。如果一个用户Ai对某一其他用户Aj的评论未发表评论，将这两个用户之间的初始交流信息Tij置为空。同时，统计用户Ai对用户Aj的评论进行评论的条数，将其作为Ai对Aj的初始交互影响度InterFij(t0)。若用户Ai未对用户Aj的评论进行评论，表明用户Ai未对用户Aj表达交流偏好，i,j不交互，InterFij(t0)可以设置为0。
如果一个用户发表多条初始真实信息，此时，将一个用户的初始真实信息求并集，作为该用户的初始真实信息。
如果一个用户只发表间接评论，即只有初始交流信息，这种情况下，将该用户对其他所有用户的初始交流信息求并集，作为该用户的初始真实信息。
步骤102，对所有初始真实信息和初始交流信息进行偏好识别，得到所有用户的初始真实偏好和初始交流偏好。
作为一种实施方式，将初始真实信息或初始交流信息输入训练好的神经网络，得到所属偏好类别。
作为一种实施方式，xi(t0)∈[0,1]为t0时刻用户Ai(i＝1,2,...,N)的初始真实偏好；zij(t0)∈[0,1]为t0时刻Ai向Aj表达的初始交流偏好。具体的，xi(t0)∈[0,1]为用户Ai对该视频的初始真实偏好，xi(t0)＝0，表示用户Ai一开始对该视频不喜欢，xi(t0)＝1，表示用户Ai一开始对该视频非常喜欢；zij(t0)用户Ai向用户Aj表达的对该视频的初始交流偏好，zij(t0)＝0，表示用户Ai向用户Aj表示一开始对该视频不喜欢，zij(t0)＝1，表示用户Ai向用户Aj表示一开始对该视频非常喜欢；若两个用户之间的初始交流信息置为空，则令zij(t0)为0.5。
根据用户的评论信息，可以通过神经网络，得到用户对该视频的喜欢程度。
步骤2，将所有用户对该视频的初始真实偏好和初始交流偏好，输入基于动态信任感知的偏好演化模型，得到所有用户对该视频的最终真实偏好。其中，基于动态信任感知的偏好演化模型通过动态异质交互偏好接受度和动态异构信任度，依次对用户的真实偏好、交流偏好、公开偏好和估计偏好进行演化。具体步骤如下所示：
步骤201，计算用户之间的交互影响度和每个用户的动态异质交互偏好接受度，基于用户之间的交互影响度，计算每个用户的动态异质有界置信阈值以及用户之间的动态异构信任度。
(1)计算用户之间的交互影响度。
交互影响度(International Infection)用来衡量用户间交互对用户的影响程度，如，对其有界置信度的影响程度，对其信任度的影响程度。交互影响度某种程度上可以反映出用户间的亲密程度，经常联系的用户显然更亲密，而不怎么联系甚至不联系的用户间显然是关系很生疏。交互影响度并非简单地考虑用户间的交互次数，随着时间推进，最先发生的交互对用户的影响会越来越弱，新发生的交互对用户的影响会更强。交互影响度的计算方法：当某一用户对其他用户表达交流偏好时，当前时刻某一用户对其他用户的交互影响度为，剩余影响比重与上一时刻该用户对其他用户的交互影响度的乘积加上影响比重；否则，当前时刻某一用户对其他用户的交互影响度为，剩余影响比重与上一时刻该用户对其他用户的交互影响度的乘积。设t时刻Ai对Aj的的交互影响度为InterFij(t)，交互影响度的度量公式如下式所示:
Figure BDA0003342187120000111
其中，InterFp表示t时刻交互对用户的影响比重，其数值作为实验参数给出，优选的，InterFp＝0.1。i,j交互的意思是，Ai对Aj表达了交流偏好。
(2)基于用户之间的交互影响度，计算每个用户的动态异质有界置信阈值。
有界置信阈值(The bounded confidence threshold)是用户之间发生交互所要满足的最大偏好差值。设ε为模型的有界置信阈值，I(Ai,X(t))＝{Aj||xi(t)-xj(t)|≤ε}表示Ai在t时刻满足阈值要求的其他用户的集合。有界置信阈值是HK模型中的重要参数。HK模型要求用户之间的偏好差只有在满足有界置信阈值时，用户之间才能发生交互。在已有的有界置信模型中，有界置信阈值通常被设置为一个应用于所有用户的静态参数，另外，少部分模型中被设置为一系列的静态参数用于体现异质性，也即每个用户有自己的有界置信阈值。采用统一静态的有界置信阈值可以有效降低模型演化的复杂度，加快模型的收敛速度，能够降低模型的达到稳定的时间。然而，在实际的动态社交网络环境下，有界置信阈值是动态变化的，而且用户之间有界置信阈值显然是不同的。
因此，为了尽可能地遵循现实中生活中的实际情况，提高模型演化的准确度，本发明提出了动态异构有界置信阈值。设群体的动态异质有界置信阈值向量为ε(t)，ε(t)＝{ε1(t),ε2(t),ε3(t)....εn(t)},εi(t)∈[0,1]表示t时刻用户Ai对于其他用户的动态异质有界置信阈值，t+1时刻动态异质有界置信阈值εi(t+1)的度量公式为：
Figure BDA0003342187120000121
其中，εs∈[0,1]表示交互影响度对εi(t+1)的影响的比重，这种比重将随着时间推进而下降，下降速度取决于其控制参数εsp，εsp越大，εs下降越快，反之，εs下降越慢；
Figure BDA0003342187120000122
表示用户Ai与所有与之交互的Aj之间的交互影响度的和，pe是控制
Figure BDA0003342187120000123
的参数；span表示一个时间间隔，实验开始后的一段时间内，用户间的交互影响度显然不会马上影响有界置信阈值，而是在经历一个时间段span之后才开始起作用。
(3)计算每个用户的动态异质交互偏好接受度。
为了更加有效地描述用户对交互对象偏好影响的接受程度以及接受程度的动态性、异质性，本发明提出了动态异质交互偏好接受度算子，并设计了动态异质交互偏好接受度同演化时间t关系的度量公式。设群体t时刻的动态异质交互偏好接受度向量为Ac(t)，Ac(t)＝{Ac1(t),Ac2(t),Ac3(t),....Acn(t)}，其中，Aci(t)∈[0,1]表示t时刻用户Ai对所有与之交流的用户的总的偏好影响接受度。动态异质交互偏好接受度会随着时间t的增加而降低，动态异质交互偏好接受度Aci(t+1)的度量公式如下式所示：
Figure BDA0003342187120000131
其中，paci∈(0,1]为控制用户Ai接受度降低速度的参数，paci越大，用户Ai的接受度随时间t降低地越快，paci数值作为实验参数给出。0时刻向量Ac(0)中各元素Aci(0)作为实验参数给出。
(4)基于用户之间的交互影响度，计算用户之间的动态异构信任度。
在现实生活中，用户之间的信任度对用户间偏好的影响传播具有较大的影响。当用户间的信任度较大时，则更容易接受对方偏好的影响；反之，受对方偏好的影响较小。本发明设定用户间之间的信任度主要受上个时间段用户之间交互影响度的影响。Ai对Aj的动态异构信任度aij(t+1)的计算公式如下所示：
Figure BDA0003342187120000132
其中，αs∈[0,1]表示交互影响度对aij(t+1)的影响的比重，这种比重将随着时间推进而下降，下降速度取决于其控制参数αsp，αsp越大，αs下降越快，反之，αs下降越慢；InterFij(t)表示t时刻Ai与Aj之间的交互影响度，pa为InterFij(t)的控制参数，pa取值越大，则InterFij(t)越小；pa的取值越小，InterFij(t)越大。与动态有界置信阈值一样，span表示一个时间间隔，演化开始后的一段时间内，用户间的交互影响度显然不会马上影响用户间的信任度，而是在经历一个时间段span之后才开始起作用。起始时刻的信任度αij(0)作为实验参数给出，以后每个时间段t的信任度由上一个时间段t-1的信任度根据上述公式计算得到，得出的信任度通过四类偏好的演化公式用于当前时间段t的用户偏好的计算。
步骤202，基于动态异质有界置信阈值、动态异构信任度和动态异质交互偏好接受度，依次更新用户的真实偏好、交流偏好、公开偏好和估计偏好。
(1)计算每个用户的真实偏好。
真实偏好的演化方法为：当前时刻的真实偏好为当前时刻的剩余偏好接受度与上一时刻的真实偏好的乘积，加上上一时刻偏好接受度与上一时刻总偏好影响的乘积。真实偏好xi(t+1)的演化公式如下式所示：
xi(t+1)＝(1-Aci(t+1))xi(t)+Aci(t)othxi(t)
其中，xi(t)∈[0,1]为t时刻用户Ai的真实偏好，xi(t0)∈[0,1]为t0时刻用户Ai(i＝1,2,...,N)的初始真实偏好，Aci(t)表示t时刻Ai的偏好接受度，1-Aci(t)表示t时刻Ai的剩余偏好接受度，xi(t)表示t时刻Ai的真实偏好，othxi(t)表示t时刻所有与Ai交流的用户对Ai的总的偏好影响，总偏好影响othxi(t)的计算公式为：
Figure BDA0003342187120000141
其中，αij(t)表示t时刻Ai对Aj的信任度，fij(t)为t时刻Ai对Aj的估计偏好，在t0时刻，fij(t)为用户Aj的初始真实偏好，I(Ai,X(t))表示用户Ai在t时刻满足动态异构有界置信阈值εi(t)要求的其他用户的集合，#I(Ai,X(t))表示I(Ai,X(t))中用户的数量。结合真实偏好的演化公式可知，αij(t)越大，fij(t)在othxi(t)中的比重越大，即Ai越倾向于Aj的偏好表达。
(2)计算用户之间的交流偏好。
交流偏好的演化方法为：对于某一用户，当其他用户属于在当前时刻满足动态异质有界置信阈值要求的其他用户的集合时，当前时刻该用户对其他用户的交流偏好为，上一时刻信任度与上一时刻该用户真实偏好的乘积，再加上上一时刻的剩余信任度与上一时刻该用户对其他用户的交流偏好；否则，当前时刻该用户对其他用户的交流偏好为，当前时刻该用户的真实偏好与上一时刻该用户与其他用户之间的交流偏好相乘后，与上一时刻该用户对其他用户的交流偏好的比值。交流偏好zij(t+1)演化公式如下所示：
Figure BDA0003342187120000151
其中，zij(t)∈[0,1]为t时刻Ai向Aj表达的交流偏好，其中i＝1,2,......,N，并且i≠j，αij(t)表示t时刻Ai对Aj的信任度，1-αij(t)为t时刻Ai对Aj的剩余信任度，I(Ai,X(t))表示Ai在t时刻满足动态异质有界置信阈值εi要求的其他用户的集合。若xi(t)等于0，且
Figure BDA0003342187120000153
在计算zij(t+1)时，将xi(t)置为0.01。
(3)计算每个用户的公开偏好。
公开偏好的演化方法为：当前时刻用户的公开偏好为，当前时刻该用户对所有其他用户的交流偏好的均值。
公开偏好yi(t+1)演化公式如下所示：
Figure BDA0003342187120000152
其中，zij(t+1)为t+1时刻，Ai向Aj表达的交流偏好。
(4)计算用户之间的估计偏好。
估计偏好的演化方法为：当前时刻某一用户对其他用户的估计偏好为，当前时刻信任度与当前时刻其他用户对该用户的交流偏好的乘积，在加上当前时刻剩余信任度与当前时刻其他用户的公开偏好。估计偏好fij(t+1)的演化公式如下所示：
fij(t+1)＝αij(t+1)zji(t+1)+(1-αij(t+1))yj(t+1),i,j＝1,2,3...N,i≠j
其中，aij(t+1)表示t+1时刻Ai对Aj的动态信任度，zji(t+1)为t+1时刻Aj向Ai表达的交流偏好,yj(t+1)是t+1时刻Ai的公开偏好。
步骤203，判断所有用户真实偏好是否达到稳定状态，若达到稳定状态，输出所有用户的真实偏好；否则，选取(可以为随机选取)若干对(可以为零对，也可以为一对或多对)用户，对用户之间的交互关系进行突变，并返回步骤201。
其中，判断所有用户真实偏好是否达到稳定状态的具体步骤为，计算每个用户的xi(t+1)与xi(t)的差值，如果该差值小于设定阈值，则达到稳定状态，否则，未达到。
步骤3，根据所有用户对该视频的最终真实偏好，向所有用户进行视频推荐。
具体的，若某用户对该视频的最终真实偏好大于0.5，则向该用户推荐与该视频同类型的视频，否则，向该用户推荐其他类型的视频。
在实验中，通过MATLAB对DTPVM模型进行了模拟仿真，从而验证本发明模型各参数对其性能的影响并对新模型的性能进行评估。实验采用演化步数与最小偏好差作为模型评估指标。演化步数(The Evolutionary Steps.ES)是指模型中所有用户偏好达到稳定状态，即完成演化所需要执行的时间步数。比如，在某个离散的时刻t，所有用户的偏好都更新一次，到了离散的时刻t+1，所有用户的偏好再更新一次，此为1个时间步数，t+1表示下次所有用户偏好全部更新的时刻。演化步数用来表示模型完成演化的速度。在模拟中，设定时间步数从0开始，假如经历了时间步数ts1到达时刻t1，使每个用户同时满足|xi(t1+1)-xi(t1)|≤0.001，则认为ts1就是演化步数，即ES＝ts1。
本发明借鉴标准差的定义，提出了偏好差，即在模型完成演化后，所有用户偏好与其实际偏好的差值的平方和的平方根。最小偏好差(The Minimum PreferenceDeviation.MPD)是一组偏好差中的最小值。该指标用来指示模型预测用户偏好演化的准确度-即通过模型演化得到的用户的预测偏好与其实际的偏好的接近程度。在实验中，MPD的计算公式为：
Figure BDA0003342187120000171
其中，xi'为用户Ai实际偏好。
实验中选取了30个用户，获取这30个用户的初始真实偏好、最终实际偏好和用户之间的初始交流偏好。
DTPEM模型中的参数可以根据经验直接给出，也可以通过学习得到。
作为一种实施方式，实验参数设定如下：有界置信阈值ε＝0.5，信任度α＝0.5，偏好接受度ac＝0.5，偏好接受度控制变化参数pac＝0.1，时间间隔span＝10，交互影响度参数InterFp＝0.1，交互影响度对有界置信阈值的影响比重εs＝0.6，比重参数εsp＝1，交互影响度对信任度的影响比重αs＝0.5，比重参数αsp＝1，有界置信阈值控制交互影响度参数pe＝1，信任度控制交互影响度参数pa＝10。
作为一种实施方式，获取训练样本，以MPD为损失函数，学习得到DTPEM模型中各个参数的最优取值。
通过Matlab模拟仿真验证DTPVM各重要参数对其性能的影响。同时为了便于比较DTPVM与传统的有界置信模型(BCM)的差别。实验中的BCM模型指交互欺骗与异构信任偏好演化模型。由于交互欺骗与异构信任偏好演化模型的主要参数为信任度α和有界置信阈值ε，因此，在这两个参数上对两种模型的性能做比较，而在验证其他参数对模型的影响时，不对两种模型的性能做比较。
以演化步数ES和最小偏好差MPD为验证指标，有界置信阈值ε取值范围设置为0.01-1，每隔0.01取一个值，即运行100次。对于DTPVM，有界置信阈值的取值为0-ε范围内的一组随机值，对于BCM模型，有界置信阈值的取值为ε，为了平衡取值的随机性，ε每取一个值，模型就运行10次得出演化步数ES的平均值和偏好差值中的最小偏好差MPD作为当前ε对应的和，并重复运行整个实验10次，保留ES和MPD的平均值，实验结果如图2、图3所示。
由图2可以看出，DTPVM模型的演化步数在ε＝0.05附近达到高峰，之后逐渐下降，但整体上高出BCM模型。这是因为，DTPVM的有界置信阈值为一组不同的值，同时存在动态性和异构性，而BCM模型的有界置信阈值为统一静态值，DTPVM相较于BCM，参数更加复杂，收敛速度会稍微慢一些。由图3可以看出，DTPVM的最小偏好差变化幅度不大，随着有界置信阈值的提高，略微下降；虽然最后两个模型最小偏好差大体一样，但DTPVM模型整体上仍低于BCM模型。这是因为，DTPVM的有界置信阈值为一组不同的值，存在动态性和异构性，通过有界置信阈值的随机值调整，更容易取到合适的值，使最小偏好差较小。
以演化步数ES和最小偏好差MPD为验证指标，信任度α取值范围设置为0.01-1，每隔0.01取一个值，即运行100次。对于两个模型，信任度的取值为0-α范围内的一组随机值，为了平衡取值的随机性，α每取一个值，模型就运行10次得出演化步数ES的平均值和偏好差值中的最小偏好差MPD作为当前α对应的ES和MPD，并重复运行整个实验10次，取ES和MPD的平均值作为实验数据，实验结果如图4、图5所示。
由图4可以看出，随着有界置信阈值的变化，DTPVM的稳定时间变化幅度不大，整体体上远低于BCM模型。这是因为DTPVM和BCM的信任度均采用矩阵形式，存在很强的异构性，在相同的异构性下，新模型的收敛速度高于BCM。由图5可以看出，随着信任度的变化，DTPVM的最小偏好差变化幅度不大，在信任度取0.6之前，DTPVM的最小偏好差低于BCM；在信任度取0.6之后，BCM模型的最小偏好差略低于DTPVM模型的最小偏好差，但DTPVM模型整体上仍低于BCM模型。这是因为，两个模型的信任度均采用矩阵形式，存在很强的异构性，通过信任度度的随机值调整，更容易取到合适的值，使最小偏好差较小。尽管DTPVM模型影响参数较多，单独调控信任度使最小偏好差下降有限，但仍能取得相较于BCM模型更低的最小偏好差。
以演化步数ES和最小偏好差MPD为验证指标，偏好接受度ac取值范围设置为0.01-1，每隔0.01取一个值，即运行100次。偏好接受度的取值为0-ac范围内的一组随机值，为了平衡取值的随机性，ac每取一个值，模型就运行10次得出演化步数ES的平均值和偏好差值中的最小偏好差MPD作为当前ac对应的ES和MPD，并重复运行整个实验10次，取ES和MPD的平均值作为实验数值。由于BCM没有参数ac，故此实验没有对两个模型进行对比。实验结果如图6、图7所示。
由图6可以看出，随着偏好接受度的变化，DTPVM的稳定时间变化幅度不大，仅在0.05之前和0.95之后有一个较明显的上升趋势。说明偏好接受度的变化对模型的收敛速度影响不大，此时模型收敛速度比较稳定。由图7可以看出，随着偏好接受度的变化，DTPVM的最小偏好差变化幅度不大，呈现出不明显的下降趋势。该实验表明，偏好接受度的变化对模型的最小偏好差影响不大，此时模型演化的准确度比较稳定。
现实生活中，用户交际圈中用户的规模一般为数十人，因此，实验设定用户的数量N＝30；同时，选取10组数据(每组为N＝30的向量数据)。本实验仍然采用演化步数ES和最小偏好差MPD为验证指标，实验参数设置如下：有界置信阈值ε＝0.5，信任度α＝0.5，偏好接受度ac＝0.5，偏好接受度控制变化参数pac＝0.1，时间间隔span＝10，交互影响度参数InterFp＝0.1，交互影响度对有界置信阈值的影响比重εs＝0.6，比重参数εsp＝1，交互影响度对信任度的影响比重αs＝0.5，比重参数αsp＝1，有界置信阈值控制交互影响度参数pe＝1，信任度控制交互影响度参数pa＝10。
本实验的目标是对比DTPVM和BCM的性能，因此需要先找到两种模型下使最小偏好差MPD为最小时的参数设置，然后根据此参数设置得出演化步数ES和最小偏好差MPD进行对比。为此实验程序如下：
1)根据参数的设置先分别找到两种模型下最小偏好差MPD最小时对应的有界置信阈值ε。
2)根据参数的设置和1)得到的ε分别找到两种模型下最小偏好差MPD最小时对应的α。
3)根据参数的设置和1)、2)得到的ε、α找到DTPVM下最小偏好差MPD最小时对应的ac。
4)根据参数设置和1)、2)、3)得到的ε、α、ac找到DTPVM下最小偏好差MPD最小时对应的pac。
5)根据参数设置和1)、2)、3)、4)得到的ε、α、ac、pac找到DTPVM下最小偏好差MPD最小时对应的pa。
6)根据1)、2)、3)、4)、5)得到的ε、α、ac、pac和pa找到DTPVM下最小偏好差MPD最小时对应的pe。
7)根据1)、2)、3)、4)、5)、6)得到的ε、α、ac、pac、pa和pe得到最小偏好差MPD和其对应的演化步数εs并输出。
8)根据1)、2)、3)、4)、5)、6)、7)得到的ε、α、ac、pac、pa、pe和εs得到最小偏好差MPD和其对应的演化步数αs并输出。
9)根据1)、2)、3)、4)、5)、6)、7)、8)得到的ε、α、ac、pac、pa、pe、εs和αs得到最小偏好差MPD和其对应的演化步数εsp并输出。
10)根据1)、2)、3)、4)、5)、6)、7)、8)、9)得到的ε、α、ac、pac、pa、pe、εs、αs和εsp得到最小偏好差MPD和其对应的演化步数αsp并输出。
11)根据1)、2)、3)、4)、5)、6)、7)、8)、9)、10)得到的ε、α、ac、pac、pa、pe、εs、αs、εsp和αsp得到最小偏好差MPD和其对应的演化步数InterFp并输出。
12)根据10组数据执行1)至11)步骤分别求出10组数据对应的最小偏好差MPD和演化步数ES并显示结果。
通过Matlab执行上述实验后得到的实验结果如表1所示。由表1可以看出，在10组数据中，DTPEM模型的演化步数除前4组数据均高于BCM模型。这是因为，DTPEM的参数数量多于BCM模型，并且引入了一些动态和异构的因素，从而导致收敛速度相对较慢，但是尽管如此，整体上DTPEM模型的演化步数比BCM模型高出不了多少；而BCM参数仅有信任度和有界置信阈值，并且有界置信阈值是统一的静态数值，比较容易达到稳定状态，收敛速度比DTPEM模型快。在10组数据中，DTPEM的最小偏好差值均优于BCM模型的最小偏好差值。该实验结果表明，虽然DTPEM模型的演化过程需要稍微长点的时间，但DTPEM模型的偏好演化效果较好。事实上，对用户偏好演化进行研究时，演化效果更为重要，用稍微较长的时间获得较好的演化效果是有意义的。
表1 DTPEM和BCM的性能指标对比
Figure BDA0003342187120000221
针对当前偏好演化模型存在的不足，结合现实生活的实际情况，在已有研究工作的基础上，本发明么提出了一种动态信任感知的偏好演化模型(DTPEM)。该模型提出了动态异质有界置信阈值算子，以此度量有界置信阈值的动态性和异构性；引入了动态异质交互偏好接受度算子，以此度量用户对交互对象偏好影响的接受程度；提出了动态信任度算子，以此度量用户偏好表达的诚实程度；此外，该模型还将动态信任度作为影响偏好演化的重要因子，并通过公式建模交互影响度对信任度的影响。从而使得DTPEM模型能够遵循并反映用户偏好的演化规律。通过模拟仿真实验与现有的模型进行了比较分析，证明了本发明所提出模型在准确度上优于其他模型。
实施例二
本实施例提供了一种基于动态信任感知的视频推荐系统，其具体包括如下模块：
初始偏好获取模块，其被配置为：获取所有用户对某视频的的初始真实偏好和初始交流偏好；
偏好演化模块，其被配置为：将所有用户的初始真实偏好和初始交流偏好输入基于动态信任感知的偏好演化模型，得到所有用户对该视频的最终真实偏好；
视频推荐模块，其被配置为：根据所有用户对该视频的最终真实偏好，向所有用户进行视频推荐；
所述基于动态信任感知的偏好演化模型通过动态异质交互偏好接受度和动态异构信任度，依次对用户的真实偏好、交流偏好、公开偏好和估计偏好进行演化。
此处需要说明的是，本实施例中的各个模块与实施例一中的各个步骤一一对应，其具体实施过程相同，此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的一种基于动态信任感知的视频推荐方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的一种基于动态信任感知的视频推荐方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于动态信任感知的视频推荐方法，其特征在于，包括：
获取所有用户对某视频的初始真实偏好和初始交流偏好；
将所有用户的初始真实偏好和初始交流偏好输入基于动态信任感知的偏好演化模型，得到所有用户对该视频的最终真实偏好；
根据所有用户对该视频的最终真实偏好，向所有用户进行视频推荐；
所述基于动态信任感知的偏好演化模型通过动态异质交互偏好接受度和动态异构信任度，依次对用户的真实偏好、交流偏好、公开偏好和估计偏好进行演化。
2.如权利要求1所述的一种基于动态信任感知的视频推荐方法，其特征在于，所述基于动态信任感知的偏好演化模型具体包括：
步骤201，计算用户之间的交互影响度和每个用户的动态异质交互偏好接受度，基于用户之间的交互影响度，计算每个用户的动态异质有界置信阈值以及用户之间的动态异构信任度；
步骤202，基于动态异质有界置信阈值、动态异构信任度和动态异质交互偏好接受度，依次更新用户的真实偏好、交流偏好、公开偏好和估计偏好；
步骤203，判断每个用户真实偏好是否达到稳定状态，若达到稳定状态，输出所有用户的真实偏好；否则，选取若干对用户，对用户之间的交互关系进行突变，并返回步骤201。
3.如权利要求1所述的一种基于动态信任感知的视频推荐方法，其特征在于，所述真实偏好的演化方法为：当前时刻的真实偏好为，当前时刻的剩余偏好接受度与上一时刻的真实偏好的乘积，再加上上一时刻偏好接受度与上一时刻总偏好影响的乘积。
4.如权利要求1所述的一种基于动态信任感知的视频推荐方法，其特征在于，所述交流偏好的演化方法为：对于某一用户，当其他用户属于在当前时刻满足动态异质有界置信阈值要求的其他用户的集合时，当前时刻该用户对其他用户的交流偏好为，上一时刻信任度与上一时刻该用户真实偏好的乘积，再加上上一时刻的剩余信任度与上一时刻该用户对其他用户的交流偏好；否则，当前时刻该用户对其他用户的交流偏好为，当前时刻该用户的真实偏好与上一时刻该用户与其他用户之间的交流偏好相乘后，与上一时刻该用户对其他用户的交流偏好的比值。
5.如权利要求1所述的一种基于动态信任感知的视频推荐方法，其特征在于，所述公开偏好的演化方法为：当前时刻用户的公开偏好为，当前时刻该用户对所有其他用户的交流偏好的均值。
6.如权利要求1所述的一种基于动态信任感知的视频推荐方法，其特征在于，所述估计偏好的演化方法为：当前时刻某一用户对其他用户的估计偏好为，当前时刻信任度与当前时刻其他用户对该用户的交流偏好的乘积，在加上当前时刻剩余信任度与当前时刻其他用户的公开偏好。
7.如权利要求1所述的一种基于动态信任感知的视频推荐方法，其特征在于，所述交互影响度的计算方法：当某一用户对其他用户表达交流偏好时，当前时刻某一用户对其他用户的交互影响度为，剩余影响比重与上一时刻该用户对其他用户的交互影响度的乘积加上影响比重；否则，当前时刻某一用户对其他用户的交互影响度为，剩余影响比重与上一时刻该用户对其他用户的交互影响度的乘积。
8.一种基于动态信任感知的视频推荐系统，其特征在于，包括：
初始偏好获取模块，其被配置为：获取所有用户对某视频的的初始真实偏好和初始交流偏好；
偏好演化模块，其被配置为：将所有用户的初始真实偏好和初始交流偏好输入基于动态信任感知的偏好演化模型，得到所有用户对该视频的最终真实偏好；
视频推荐模块，其被配置为：根据所有用户对该视频的最终真实偏好，向所有用户进行视频推荐；
所述基于动态信任感知的偏好演化模型通过动态异质交互偏好接受度和动态异构信任度，依次对用户的真实偏好、交流偏好、公开偏好和估计偏好进行演化。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的一种基于动态信任感知的视频推荐方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的一种基于动态信任感知的视频推荐方法中的步骤。
CN202111311681.XA 2021-11-08 2021-11-08 一种基于动态信任感知的视频推荐方法及系统 Active CN113987261B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111311681.XA CN113987261B (zh) 2021-11-08 2021-11-08 一种基于动态信任感知的视频推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111311681.XA CN113987261B (zh) 2021-11-08 2021-11-08 一种基于动态信任感知的视频推荐方法及系统

Publications (2)

Publication Number Publication Date
CN113987261A true CN113987261A (zh) 2022-01-28
CN113987261B CN113987261B (zh) 2023-07-18

Family

ID=79746985

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111311681.XA Active CN113987261B (zh) 2021-11-08 2021-11-08 一种基于动态信任感知的视频推荐方法及系统

Country Status (1)

Country Link
CN (1) CN113987261B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116304279A (zh) * 2023-03-22 2023-06-23 烟台大学 基于图神经网络的用户偏好演化主动感知方法及系统

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014146265A1 (en) * 2013-03-20 2014-09-25 Nokia Corporation Method and apparatus for personalized resource recommendations
CN104935659A (zh) * 2015-06-17 2015-09-23 大连理工大学 一种车载网中基于服务质量感知的接入算法
US20180081855A1 (en) * 2016-09-21 2018-03-22 Scianta Analytics, LLC Cognitive modeling system including repeat processing elements and on-demand elements
CN108664658A (zh) * 2018-05-21 2018-10-16 南京大学 一种考虑用户偏好动态变化的协同过滤视频推荐方法
CN109190040A (zh) * 2018-08-31 2019-01-11 合肥工业大学 基于协同演化的个性化推荐方法及装置
CN111815415A (zh) * 2020-07-14 2020-10-23 北京邮电大学 一种商品推荐方法、系统及设备
CN112364243A (zh) * 2020-11-11 2021-02-12 吉林师范大学 一种基于大数据的信息推荐系统
CN112381113A (zh) * 2020-10-17 2021-02-19 北京科技大学 一种基于hk模型的工业互联网大数据协同决策方法
KR20210026710A (ko) * 2019-09-02 2021-03-10 한국과학기술원 공공 IoT용 신뢰-인식 역할-기반 액세스 제어 시스템
CN113127737A (zh) * 2021-04-14 2021-07-16 江苏科技大学 融合注意力机制的个性化搜索方法和搜索系统
CN113158045A (zh) * 2021-04-20 2021-07-23 中国科学院深圳先进技术研究院 一种基于图神经网络推理的可解释推荐方法
CN113255052A (zh) * 2021-07-09 2021-08-13 佛山市陶风互联网络科技有限公司 一种基于虚拟现实的家装方案推荐方法、系统及存储介质
CN113537622A (zh) * 2021-07-30 2021-10-22 烟台大学 基于动态信任感知的服务偏好预测方法及系统
CN113537623A (zh) * 2021-07-30 2021-10-22 烟台大学 基于注意力机制及多模态的服务需求动态预测方法及系统

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014146265A1 (en) * 2013-03-20 2014-09-25 Nokia Corporation Method and apparatus for personalized resource recommendations
CN104935659A (zh) * 2015-06-17 2015-09-23 大连理工大学 一种车载网中基于服务质量感知的接入算法
US20180081855A1 (en) * 2016-09-21 2018-03-22 Scianta Analytics, LLC Cognitive modeling system including repeat processing elements and on-demand elements
CN108664658A (zh) * 2018-05-21 2018-10-16 南京大学 一种考虑用户偏好动态变化的协同过滤视频推荐方法
CN109190040A (zh) * 2018-08-31 2019-01-11 合肥工业大学 基于协同演化的个性化推荐方法及装置
KR20210026710A (ko) * 2019-09-02 2021-03-10 한국과학기술원 공공 IoT용 신뢰-인식 역할-기반 액세스 제어 시스템
CN111815415A (zh) * 2020-07-14 2020-10-23 北京邮电大学 一种商品推荐方法、系统及设备
CN112381113A (zh) * 2020-10-17 2021-02-19 北京科技大学 一种基于hk模型的工业互联网大数据协同决策方法
CN112364243A (zh) * 2020-11-11 2021-02-12 吉林师范大学 一种基于大数据的信息推荐系统
CN113127737A (zh) * 2021-04-14 2021-07-16 江苏科技大学 融合注意力机制的个性化搜索方法和搜索系统
CN113158045A (zh) * 2021-04-20 2021-07-23 中国科学院深圳先进技术研究院 一种基于图神经网络推理的可解释推荐方法
CN113255052A (zh) * 2021-07-09 2021-08-13 佛山市陶风互联网络科技有限公司 一种基于虚拟现实的家装方案推荐方法、系统及存储介质
CN113537622A (zh) * 2021-07-30 2021-10-22 烟台大学 基于动态信任感知的服务偏好预测方法及系统
CN113537623A (zh) * 2021-07-30 2021-10-22 烟台大学 基于注意力机制及多模态的服务需求动态预测方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
H RAINER ET AL.: "opinion dynamics and bounded confidence: models,analysis and simulation", JOURNAL OF ARTIFICIAL SOCIETIES AND SOCIAL SIMULATION *
郭艳: "面向移动电子商务的个性化推荐策略研究", 经济与管理科学 *
马永军 等: "基于改进HK模型的社交网络舆情演化", 计算机应用与软件 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116304279A (zh) * 2023-03-22 2023-06-23 烟台大学 基于图神经网络的用户偏好演化主动感知方法及系统
CN116304279B (zh) * 2023-03-22 2024-01-26 烟台大学 基于图神经网络的用户偏好演化主动感知方法及系统

Also Published As

Publication number Publication date
CN113987261B (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
US20170330078A1 (en) Method and system for automated model building
CN113537622B (zh) 基于动态信任感知的服务偏好预测方法及系统
CN109165081B (zh) 基于机器学习的Web应用自适应资源配置方法
CN113031983B (zh) 一种基于深度强化学习的软件智能升级方法及装置
CN111461286A (zh) 基于进化神经网络的Spark参数自动优化系统和方法
CN113987261A (zh) 一种基于动态信任感知的视频推荐方法及系统
CN113449182A (zh) 一种知识信息个性化推荐方法及系统
Ziegenbein et al. Machine learning algorithms in machining: A guideline for efficient algorithm selection
CN116629918A (zh) 一种基于跨境电商的用户消费预测方法及系统
CN113392958B (zh) 一种模糊神经网络fnn的参数优化及应用方法与系统
Paunović et al. Integrated fuzzy system and multi-expression programming techniques for supplier selection
CN113393023B (zh) 模具质量评估方法、装置、设备及存储介质
Stahl et al. Optimizing similarity assessment in case-based reasoning
CN115239122A (zh) 数字电网软件项目测试人员推荐方法及装置
EP3701679B1 (en) Network resource allocation
Poirson et al. Interactive genetic algorithm to collect user perceptions. Application to the design of stemmed glasses
CN110135592B (zh) 分类效果确定方法、装置、智能终端及存储介质
Acebes et al. Statistical learning techniques for project control
Shokry et al. Mixed-integer multiparametric approach based on machine learning techniques
CN113642226A (zh) 基于多目标进化算法的公平机器学习模型的训练方法
Bartz-Beielstein Sequential parameter optimization—an annotated bibliography
CN113159330A (zh) 基于层次任务网规划模型学习的专业学习路径系统及方法
Kumar et al. Neural network with multiple training methods for web service quality of service parameter prediction
Medaglia Simulation optimization using soft computing
Olteanu Strategies for the incremental inference of majority-rule sorting models

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