CN105653640A - 一种基于信任机制的协同过滤推荐方法 - Google Patents

Abstract

本发明公开了一种基于信任机制的协同过滤推荐方法，从协同过滤推荐方法的社会化本质入手，在传统协同过滤推荐方法中引入信任机制，反映现实生活中人与人之间信任关系对相似用户兴趣的影响。根据当前用户是否为***的新用户（即冷启动用户），而分别进行针对非冷启动用户的基于复合推荐因子的协同过滤推荐计算过程，和针对冷启动用户的基于权威信任度的新用户推荐计算过程，获得待推荐项目的预测评分。最后，根据预测评分实施具体的推荐过程。本发明的方法可以缓解传统协同过滤推荐方法中的数据可靠性、冷启动以及数据稀疏性等问题。

Description

一种基于信任机制的协同过滤推荐方法

技术领域

本发明属于互联网技术领域，具体涉及一种基于信任机制的协同过滤推荐方法。

背景技术

互联网的蓬勃发展产生了丰富的信息资源，形成互联网信息大数据。对于面向大众的公共信息共享类应用，若充分整合现有互联网和无线、移动通信技术的优势，将热门共享信息进行汇聚和广播分发，并借助泛在化存储和适当的信息过滤技术，可以有效提升信息共享效率和智能化处理水平。其挑战在于，海量推送的信息往往超出人们的正常接受和处理能力，从而引发“信息过载”等问题。个性化推荐技术是解决信息过载的有效方法，它可以帮助用户在海量信息中快速发现符合个人兴趣特征的信息和服务。目前，个性化推荐技术已经在电子商务、电影推荐及广告投放等领域得到实际应用。总的来说，个性化推荐技术主要可分为基于内容的推荐方法与协同过滤推荐方法两大类，其中协同过滤推荐方法发展较早，目前已成为个性化推荐中的主流技术。其核心思想是利用与当前用户兴趣相似的邻居用户的历史信息来挖掘用户的潜在兴趣，以此帮助用户对未浏览过的项目进行评估和过滤。

然而，传统的协同过滤推荐方法还面临诸多挑战，例如：现实***中往往拥有大量用户，难免出现一些虚假用户信息和虚假评分信息，因此必须考虑用户是否值得信任，以及用户的评分信息是否可靠和真实；再者，在大量应用场景中，由于用户精力有限，只能对海量信息中的一少部分进行操作，因此用户评分矩阵的数据稀疏问题普遍存在；最后，由于新用户刚加入时评分数量较少，传统协同过滤推荐方法难以为其找到真正的相似用户，因而无法对新用户进行精准个性化推荐，由此产生用户冷启动问题。进一步分析发现，传统协同过滤推荐方法仅通过用户(项目)间的相似性，来模拟现实的推荐场景并进行兴趣挖掘和项目推荐，但它忽略了现实世界中用户之间的信任关系，而这种信任关系恰恰是影响推荐效果的重要因素。

发明内容

针对现有技术中存在的问题与不足，本发明综合考虑用户间信任关系对推荐结果的影响，提供一种基于信任机制的协同过滤推荐方法。该方法既保留传统协同过滤推荐方法的优点，又充分考虑传统方法中被忽略的用户间信任关系，可以改善传统协同过滤推荐方法所存在的问题，能够有效应对传统协同过滤推荐方法所存在的忽略信任关系、数据稀疏性和用户冷启动等问题的局限。推荐结果充分体现社会信任关系对相似用户兴趣的影响，可有效提高推荐结果的精度和可靠性。

为实现上述目的，本发明采用如下技术方案：一种基于信任机制的协同过滤推荐方法，该方法注重协同过滤推荐方法的社会化本质，将信任概念引入到传统协同过滤推荐方法中，以体现社会信任关系对相似用户兴趣的影响，基此得到更加准确、可靠和合理的推荐结果，使传统协同过滤方法所存在的问题得到改善。一方面借助信任关系来丰富***中原本较为稀疏的数据，既减少不可靠用户的虚假推荐，又在一定程度上缓解数据稀疏性问题。另一方面，对于***中的新用户，选择***中可信赖的权威用户作为其邻居来进行推荐，以此应对用户冷启动问题。

该方法主要根据当前用户是否为***的新用户(即冷启动用户)，而分别实施基于信任机制的两种具体推荐计算过程，即针对非冷启动用户的基于复合推荐因子的协同过滤推荐计算过程，和针对冷启动用户的基于权威信任度的新用户推荐计算过程，获得待推荐项目的预测评分。最后根据预测评分实施具体的推荐过程。该方法具体实施方式如下。

具体方案主要根据当前用户是否为新用户(即冷启动用户)，而分两种情况进行推荐计算，获得待推荐项目的预测评分。若当前用户不是新用户，则计算预测评分的过程主要包括5个步骤：步骤1，一阶信任度的计算；步骤2，二阶信任度的计算；步骤3，综合信任度的计算；步骤4，复合推荐因子的计算；步骤5，基于复合推荐因子的预测评分计算。若当前用户是刚加入***的新用户，则计算预测评分的过程主要包括3个步骤：步骤1，权威信任度的计算；步骤2，K-最可信权威邻居集的选取；步骤3，基于权威信任度的预测评分计算。最后，根据预测评分进行具体推荐。

本发明与现有技术相比，具有以下优点：

1.可用于智慧城市、社交网络、电子商务等应用场景，可使推荐结果体现社会信任关系对相似用户兴趣的影响，并缓解传统协同过滤推荐方法中的数据可靠性、冷启动以及数据稀疏性等问题。

2.传统协同过滤推荐方法仅通过用户(项目)间的相似性，而忽略了现实世界中用户之间的信任关系。本发明在传统协同过滤方法中引入信任机制，更能够体现社会信任关系对相似用户兴趣的实际影响。

3.借助信任机制，可有效减少和抑制不可靠用户的虚假推荐。同时，通过结合用户间社会信任度，可以弥补单纯依靠稀疏矩阵计算得到的用户相似度的不足，使***中的数据得到丰富，有利于解决数据稀疏性问题。

4.当有新的用户加入到***中时，可通过为该用户选择***中可信赖的权威用户(即权威信任度值较高的用户)作为其邻居用户，以此缓解冷启动问题。

附图说明

图1为本发明实施例1的具体推荐流程。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

一种基于信任机制的协同过滤推荐方法，如图1所示，该方法主要根据当前用户是否为***的新用户(即冷启动用户)，而分别实施基于信任机制的两种具体推荐计算过程，即针对非冷启动用户的基于复合推荐因子的协同过滤推荐计算过程，和针对冷启动用户的基于权威信任度的新用户推荐计算过程，获得待推荐项目的预测评分。最后根据预测评分实施具体的推荐过程。该方法具体实施方式如下。

(1)假定***中共有n个非新用户和m个项目，构成非新用户集合U＝{u₁,u₂,…,u_n}和项目集合I＝{it₁,it₂,…,it_m}，令I(u_i)表示用户u_i进行过评分的项目集合，1≤i≤n。假定待推荐项目集合为I_rec，满足

具体实施例中假定共有9个非新用户和8个项目，并且第10个用户u₁₀为***的新用户。用户-项目评分矩阵如表1所示：

表1实施例的用户-项目评分矩阵

当前用户为u_j，对于待推荐项目集合I_rec，首先判断用户u_j是否为***的新用户(即冷启动用户)，如果不是(即1≤j≤n)，则执行基于复合推荐因子的协同过滤推荐计算过程(2)，计算I_rec中所有项目的预测评分；如果是(即j>n)，则执行基于权威信任度的新用户推荐计算过程(3)，计算I_rec中所有项目的预测评分。接着根据预测评分实施具体的推荐过程(4)。

(2)基于复合推荐因子的协同过滤推荐计算过程。该过程具体分为如下5个步骤：

步骤1：对于当前用户u_j，先计算u_j对***用户集合U中所有其他用户u_i(1≤i≤n，1≤j≤n，i≠j)的一阶信任度FT(u_j,u_i)。一阶信任度是由用户间的直接交互产生，它是一种非对称的主观信任程度。

令RN(u_i,u_j)为用户u_i向用户u_j推荐的总次数；α(u_j,u_i)表示在向u_j做过推荐的用户中，u_i的推荐数量比，即u_i的推荐数量与推荐次数最多用户的推荐数量的比，具体计算方法见公式1；P(u_i,u_j,it_y)表示u_i向u_j在某条项目it_x上的推荐正确与否，1≤y≤m，若正确则取值1，若错误则取值0，具体计算方法见公式2，threshold是设定的阀值：表示u_i向u_j关于项目it_y的推荐预测评分，其中为用户u_j的平均评分，为项目it_y的平均得分；和分别为u_i和u_j对项目it_y的实际评分；M(u_i,u_j,it_y)表示推荐错误的情况，取值与P(u_i,u_j,it_y)相反，即u_i向u_j在项目it_x上的推荐正确则取值0，若错误则取值1。

$\mathrm{\α}(u_j,u_i)=\frac{RN(u_i,u_j)}{max\left\{RN(u_x,u_j)\right\}},(u_x\∈U,x\≠j)$ (公式1)。

$P(u_i,u_j,{\mathrm{it}}_y)=\left\{\begin{array}{cc}1,& \begin{array}{cc}if& |{\hat{r}}_{(u_i,u_j,{\mathrm{it}}_y)}-r_{(u_j,{\mathrm{it}}_y)}|<threshold;\end{array}\\ 0,& else.\end{array}\right.$ (公式2)。

则计算用户u_j对用户u_i的一阶信任度FT(u_j,u_i)时，既考虑u_i向u_j进行推荐的正确率，又考虑所有向u_j做过推荐的用户中u_i的推荐数量比，两者的乘积得到一阶信任度FT(u_j,u_i)，具体计算方法见公式3：

$FT(u_j,u_i)=\frac{\underset{{\mathrm{it}}_y\&Element;I\left(u_i\right)\&cap;I\left(u_j\right)}{\&Sigma;}P(u_i,u_j,{\mathrm{it}}_y)-\underset{{\mathrm{it}}_y\&Element;I\left(u_i\right)\&cap;I\left(u_j\right)}{\&Sigma;}M(u_i,u_j,{\mathrm{it}}_y)}{RN(u_i,u_j)}\&CenterDot;\mathrm{\&alpha;}(u_j,u_i)$

(公式3)。

在具体实施例中，假定当前用户u_j为u₁(即j＝1)，而threshold＝1。由于接下来计算二阶信任度需要用到一阶信任度的值，所以表2给出了集合U中所有9个用户彼此之间的一阶信任度：

表2用户间的一阶信任度

步骤2：利用信任关系的传递特性，借助当前用户u_j的直接信任用户(即一阶信任用户)进行信任传递，计算u_j对***用户集合U中所有其他用户u_i(1≤i≤n，i≠j)的二阶信任度ST(u_j,u_i)。二阶信任度反映了目标用户u_j对于其一阶信任用户所传递的可信用户(即一阶信任用户的一阶信任用户)的信任程度。

令U_trans(u_j,u_i)表示用户u_j与用户u_i之间具有直接信任传递关系的用户的集合，其具体计算方法见公式4(其中i≠j≠d)：

U_trans(u_j,u_i)＝{u_d|(FT(u_j,u_d)＞0)∧(FT(u_d,u_i)≠0)∧(u_d∈U)}(公式4)。

则用户u_j对用户u_i的二阶信任度ST(u_j,u_i)的具体计算方法见公式5：

$ST(u_j,u_i)=\left\{\begin{array}{cc}0,& \begin{array}{cc}if& FT(u_j,u_i)<0;\end{array}\\ \frac{\underset{u_d\&Element;U_{trans}(u_j,u_i)}{\&Sigma;}FT(u_j,u_d)\&CenterDot;FT(u_d,u_i)}{\underset{u_d\&Element;U_{trans}(u_j,u_i)}{\&Sigma;}\left|FT(u_j,u_d)\right|},& else\end{array}\right.$ (公式5)。

在具体实施例中，当前用户u₁对其他用户u_i的二阶信任度如表3所示：

表3当前用户u₁对其他各用户的二阶信任度

步骤3：综合考虑一阶信任度和二阶信任度的作用，计算当前用户u_j对***用户集合U中所有其他用户u_i(1≤i≤n，i≠j)的综合信任度CT(u_j,u_i)。综合信任度CT(u_j,u_i)的计算依据是：若u_j与u_i的直接交互越频繁(即有较多的共同评分项目)，则u_j对u_i的行为就越了解，那么u_j应该更依赖二者的一阶信任度；反之，当u_j的一阶信任用户对u_i的信任传递越多时，则u_j应该相对更依赖二者的二阶信任度。CT(u_j,u_i)的具体计算方法见公式6：

(公式6)。

其中 $\mathrm{\&gamma;}(u_j,u_i)=\frac{\mathrm{\&alpha;}(u_j,u_i)}{\mathrm{\&alpha;}(u_j,u_i)+\mathrm{\&beta;}(u_j,u_i)},$ 它反映了综合信任度对一阶信任度的依赖程度，因为u_i向u_j的推荐次数越多，u_j对u_i就越了解；

而 $\mathrm{\&beta;}(u_j,u_i)=\frac{\left|U_{trans}(u_j,u_i)\right|}{max\left\{\right|U_{trans}(u_j,u_x)\left|\right\}},(u_x\&Element;U,x\&NotEqual;j),$ 它实际上反映了综合信任度对二阶信任度的依赖程度。

在具体实施例中，当前用户u₁对其他用户u_i的综合信任度如表4所示：

表4当前用户u₁对其他各用户的综合信任度

步骤4：将用户间综合信任度与用户间相似度相结合，计算复合推荐因子CF(u_j,u_i)，其具体计算方法见公式7(其中的λ为复合系数)：

$CF(u_j,u_i)=\left\{\begin{array}{cc}0,& \begin{array}{cc}if& CT(u_j,u_i)<0;\end{array}\\ \mathrm{\&lambda;}\&CenterDot;Sim(u_j,u_i)+(1-\mathrm{\&lambda;})\&CenterDot;CT(u_j,u_i),& else\end{array}\right.$ (公式7)。

其中Sim(u_j,u_i)是用户u_j和u_i之间的相似度，可采用皮尔森相关系数、欧几里德距离相似度、修正余弦相似度(AdjustedCosine)等方法，本实施例采用公式8所示的修正余弦相似度进行计算：

$Sim(u_j,u_i)=\frac{\underset{{\mathrm{it}}_y\&Element;I\left(u_j\right)\&cap;I\left(u_i\right)}{\&Sigma;}(r_{(u_j,{\mathrm{it}}_y)}-\stackrel{\&OverBar;}{r_{\left({\mathrm{it}}_y\right)}})(r_{(u_i,{\mathrm{it}}_y)}-\stackrel{\&OverBar;}{r_{\left({\mathrm{it}}_y\right)}})}{\sqrt{\underset{{\mathrm{it}}_y\&Element;I\left(u_j\right)\&cap;I\left(u_i\right)}{\&Sigma;}{(r_{(u_j,{\mathrm{it}}_y)}-\stackrel{\&OverBar;}{r_{\left({\mathrm{it}}_y\right)}})}^2\&CenterDot;\underset{{\mathrm{it}}_y\&Element;I\left(u_j\right)\&cap;I\left(u_i\right)}{\&Sigma;}{(r_{(u_i,{\mathrm{it}}_y)}-\stackrel{\&OverBar;}{r_{\left({\mathrm{it}}_y\right)}})}^2}}$ (公式8)。

其中表示项目it_y的平均得分。公式7中的λ为复合系数，具体取值根据对测试集进行实验结果最优得到。具体计算时，要求针对训练集使误差MAE取值最小，即比较在特定λ取值的情况下，预测评分和测试集中用户的真实评分的差值，使之最小，本实施例中具体实施例中λ取值0.5。

误差 $MAE=\frac{\underset{u_x\&Element;U}{\&Sigma;}\left(\underset{{\mathrm{it}}_y\&Element;I\left(u_x\right)}{\&Sigma;}|{\hat{R}}_{(u_x,{\mathrm{it}}_y)}-r_{(u_x,{\mathrm{it}}_y)}|\right)}{\underset{u_x\&Element;U}{\&Sigma;}\left|I\left(u_x\right)\right|},$ 分母为所有用户评分集合大小之和，分子是每个用户对待预测项目的预测评分与真实评分的差值的绝对值之和，其中预测评分的计算见后面公式9。

在具体实施例中，通过公式8计算得到的当前用户u₁与其他用户u_i的修正余弦相似度如表5所示：

表5当前用户u₁与其他各用户的相似度

通过公式7计算得到的复合推荐因子如表6所示：

表6其他各用户针对当前用户u₁的复合推荐因子(λ＝0.5)

步骤5：对待推荐项目集合I_rec中每个项目，计算它对于用户u_j的预测评分。令U_rely(u_j,K)表示按照复合推荐因子降序排列而得到的用户u_j的前K个邻居用户的集合：U_rank(it_y)表示对项目it_y有过评分行为的所有用户的集合；表示用户u_x所有评分的均分。采用公式9计算待预测项目it_y对于当前用户u_j而言的预测评分它改进了传统协同过滤推荐的预测评分计算方法，用复合推荐因子代替原来计算方法中的相似度。通过计算，将得到|I_rec|个预测评分。

${\hat{R}}_{(u_j,{\mathrm{it}}_y)}=\stackrel{\&OverBar;}{r_{\left(u_j\right)}}+\frac{\underset{u_x\&Element;U_{rely}(u_j,K)\&cap;U_{rank}\left({\mathrm{it}}_y\right)}{\&Sigma;}CF(u_j,u_x)\&CenterDot;(r_{(u_x,{\mathrm{it}}_y)}-\stackrel{\&OverBar;}{r_{\left(u_x\right)}})}{\underset{u_x\&Element;U_{rely}(u_j,K)\&cap;U_{rank}\left({\mathrm{it}}_y\right)}{\&Sigma;}\left|CF(u_j,u_x)\right|}$ (公式9)。

在具体实施例中，通过公式9计算得到当前用户u₁未评分的待推荐项目it₄、it₅、it₆、it₇、it₈对于u₁的预测评分，如表7所示：

表7待推荐项目对于当前用户u₁的预测评分

(3)基于权威信任度的新用户推荐计算过程。当前用户u_j是***中的新用户(即冷启动用户，)，因此***中没有u_j的评分数据。此时，引入权威信任度概念，借助***中评分准确度和评分可靠度较高的权威用户作为新用户的邻居，来对新用户进行推荐。假定集合I中的项目共分为c类，分别为类别项目集合I₁、I₂、…、I_c，则{I₁,I₂,…,I_c}构成集合I的一个划分，令U(I_g)表示对类别项目集合I_g中的项目进行过评分的所有用户的集合。则该过程具体分为如下4个步骤：

步骤1：首先，对用户集合U中每一个用户u_i(1≤i≤n)，计算u_i对于各类别项目集I_g(1≤g≤c)的权威信任度AT(I_g,u_i)。权威信任度AT(I_g,u_i)的计算依据是：从u_i对于类别项目集I_g的评分准确度和评分可靠度两个指标进行考虑，其中评分准确度是通过用户u_i对I_g中项目的评分与其他所有用户对I_g中项目的评分的差值来计算，差值越小表示用户u_i的评分越准确；而评分可靠度通过用户u_i的评分数量与***中评分最多用户的评分数量的比来刻画，该值越大表明该用户越可靠。权威信任度AT(I_g,u_i)是评分准确度和评分可靠度两个指标的乘积，其具体计算方法见公式10：

$AT(I_g,u_i)=\&lsqb;1-\frac{\underset{{\mathrm{it}}_y\&Element;I_g\&cap;I\left(u_i\right)}{\&Sigma;}\frac{|r_{(u_i,{\mathrm{it}}_y)}-\stackrel{\&OverBar;}{r_{\left({\mathrm{it}}_y\right)}}|}{\left(\max \right\{r_{(u_x,{\mathrm{it}}_y)}\}-\stackrel{\&OverBar;}{r_{\left({\mathrm{it}}_y\right)}})}}{|I_g\&cap;I\left(u_i\right)|}\&rsqb;\&CenterDot;\frac{\left|I\left(u_i\right)\right|}{\max \left\{\right|I\left(u_x\right)\left|\right\}},(u_x\&Element;U)$

(公式10)。

公式10中等号右边第一项(方括号内的项)反映了用户u_i在类别项目集I_g中的评分准确度，等号右边第二项则反映了用户u_i的评分可靠度。

在具体实施例中，假定当前用户u_j为u₁₀，他是***的新用户。***的项目集合I中的8个项目共分为4类，具体的项目分类如表8所示：

表8项目分类情况

依据表1和表8，按照公式10计算***中所有非新用户的权威信任度，结果如表9所示：

表9所有非新用户的权威信任度

步骤2：对各类别项目集I_g(1≤g≤c)，为新用户u_j确定该类别下的K-最可信权威邻居集U_auth(I_g,K)。设U_above(I_g)表示对于类别项目集I_g，其权威信任度超过该类别平均权威信任度的用户集合，则U_auth(I_g,K)满足如下条件：

①.

②. $\&ForAll;u_y\left(\right(u_y\&Element;U_{above}\left(I_g\right))\&RightArrow;(AT\left(I_g,u_y\right)>{\mathrm{\&Sigma;}}_{u_x\&Element;U\left(I_g\right)}AT\left(I_g,u_x\right)/\left|U\left(I_g\right)\right|\left)\right);$

③.

步骤3：对待推荐项目集合I_rec中每个项目，计算它对于用户u_j的预测评分。假定项目it_y属于类别项目集合I_g(即it_y∈I_g)，则项目it_y对u_j的预测评分计算方法见公式11，它基于传统协同过滤推荐的预测评分计算方法，公式右边第一项是类别I_g中的权威用户对于项目it_y的平均评分，右边第二项是由类别I_g中权威用户的权威信任度计算而得的偏移值。通过计算，可以得到|I_rec|个预测评分。

$\begin{array}{c}{\hat{R}}_{(u_j,{\mathrm{it}}_y)}=\frac{\underset{u_x\&Element;U_{auth}(I_g,K)\&cap;U_{rank}\left({\mathrm{it}}_y\right)}{\&Sigma;}{r}_{(u_x,{\mathrm{it}}_y)}}{|U_{auth}(I_g,K)\&cap;U_{rank}\left({\mathrm{it}}_y\right)|}+\\ \frac{\underset{u_x\&Element;U_{auth}(I_g,K)\&cap;U_{rank}\left({\mathrm{it}}_y\right)}{\&Sigma;}AT(I_g,u_x)\&CenterDot;(r_{(u_x,{\mathrm{it}}_y)}-\stackrel{\&OverBar;}{r_{\left(u_x\right)}})}{\underset{u_x\&Element;U_{auth}(I_g,K)\&cap;U_{rank}\left({\mathrm{it}}_y\right)}{\&Sigma;}\left|AT(I_g,u_x)\right|},({\mathrm{it}}_y\&Element;I_g)\end{array}$ (公式11)。

在具体实施例中，通过公式11计算得到对应当前用户u₁₀的8个待推荐项目的预测评分，如表10所示：

表10所有待推荐项目对应新用户u₁₀的预测评分

项目	it1	it2	it3	it4	it5	it6	it7
								预测评分	3.1	1.54	0.76	0	1.9	2.39	0.6

(4)根据预测评分的具体推荐过程。对于待推荐项目集合I_rec，通过基于复合推荐因子的协同过滤推荐计算过程(2)或基于权威信任度的新用户推荐计算过程(3)，总共得到|I_rec|个预测评分。接着，将这|I_rec|个预测评分进行从大到小降序排列。然后，按照实际应用的需求，取预测评分排在最前面的top(1≤top≤m)个项目向当前用户u_j进行推荐。在具体实施例中，若当前用户u_j为u₁，他是***的非新用户，向他推荐3个项目(top＝3)，则推荐it₆、it₄和it₇；若当前用户u_j为u₁₀，他是***的新用户，向他推荐3个项目，则推荐it₁、it₆和it₅。

Claims (7)

1.一种基于信任机制的协同过滤推荐方法，其特征在于，根据当前用户是否为***的新用户，即冷启动用户，而分别实施基于信任机制的两种具体推荐计算过程，针对非冷启动用户的基于复合推荐因子的协同过滤推荐计算过程，和针对冷启动用户的基于权威信任度的新用户推荐计算过程，获得待推荐项目的预测评分，最后根据预测评分实施具体的推荐。

2.根据权利要求1所述的基于信任机制的协同过滤推荐方法，其特征在于，所述基于复合推荐因子的协同过滤推荐计算主要包括5个步骤：步骤1，一阶信任度的计算；步骤2，二阶信任度的计算；步骤3，综合信任度的计算；步骤4，复合推荐因子的计算；步骤5，基于复合推荐因子的预测评分计算。

3.根据权利要求1所述的基于信任机制的协同过滤推荐方法，其特征在于，所述基于权威信任度的新用户推荐计算主要包括3个步骤：步骤1，权威信任度的计算；步骤2，K-最可信权威邻居集的选取；步骤3，基于权威信任度的预测评分计算。

4.根据权利要求1所述的基于信任机制的协同过滤推荐方法，其特征在于，所述根据预测评分的具体推荐方法为：将待推荐项目集合中所有项目的预测评分进行从大到小降序排列，然后按照实际应用的需求，取预测评分排在最前面的项目向当前用户进行推荐。

5.根据权利要求1或2所述的基于信任机制的协同过滤推荐方法，其特征在于，所述基于复合推荐因子的协同过滤推荐计算具体如下：假定***中共有n个非新用户和m个项目，构成非新用户集合U＝{u₁,u₂,…,u_n}和项目集合I＝{it₁,it₂,…,it_m}，令I(u_i)表示用户u_i进行过评分的项目集合，假定待推荐项目集合为I_rec，满足

步骤1：令RN(u_i,u_j)为用户u_i向用户u_j推荐的总次数，表示u_i向u_j关于项目it_y的推荐预测评分；为u_j对项目it_y的实际评分；采用公式1计算在向u_j做过推荐的用户中，u_i的推荐数量比α(u_j,u_i)；采用公式2计算P(u_i,u_j,it_y)，它表示u_i向u_j在某条项目it_x上的推荐正确与否，若正确则取值1，若错误则取值0，其中threshold是设定的阀值；而M(u_i,u_j,it_y)表示推荐错误的情况，取值与P(u_i,u_j,it_y)相反，即u_i向u_j在项目it_x上的推荐正确则取值0，若错误则取值1；

$\mathrm{\&alpha;}(u_j,u_i)=\frac{RN(u_i,u_j)}{max\left\{RN(u_x,u_j)\right\}},(u_x\&Element;U,x\&NotEqual;j)$ (公式1)；

$P(u_i,u_j,{\mathrm{it}}_y)=\left\{\begin{array}{ccc}1,& if& \left|{\hat{r}}_{(u_i,u_j,{\mathrm{it}}_y)}-r_{(u_j,{\mathrm{it}}_y)}\right|<threshold;\\ 0,& & else.\end{array}\right.$ (公式2)；

采用公式3计算用户u_j对用户u_i的一阶信任度FT(u_j,u_i)：

$FT(u_j,u_i)=\frac{\underset{{\mathrm{it}}_y\&Element;I\left(u_i\right)\&cap;I\left(u_j\right)}{\&Sigma;}P(u_i,u_j,{\mathrm{it}}_y)-\underset{{\mathrm{it}}_y\&Element;I\left(u_i\right)\&cap;I\left(u_j\right)}{\&Sigma;}M(u_i,u_j,{\mathrm{it}}_y)}{RN(u_i,u_j)}\&CenterDot;\mathrm{\&alpha;}(u_j,u_i)$ (公式3)；

步骤2：采用公式4计算用户u_j与用户u_i之间具有直接信任传递关系的用户的集合U_trans(u_j,u_i)，其中i≠j≠d：

(公式4)；

采用公式5计算用户u_j对用户u_i的二阶信任度ST(u_j,u_i)：

$ST(u_j,u_i)=\left\{\begin{array}{cc}0,& \begin{array}{cc}if& FT(u_j,u_i)<0;\end{array}\\ \frac{\underset{u_d\&Element;U_{trans}(u_j,u_i)}{\&Sigma;}FT(u_j,u_d)\&CenterDot;FT(u_d,u_i)}{\underset{u_d\&Element;U_{trans}(u_j,u_i)}{\&Sigma;}\left|FT(u_j,u_d)\right|},& else\end{array}\right.$ (公式5)；

步骤3：采用公式6计算前用户u_j对***用户集合U中所有其他用户u_i(1≤i≤n，i≠j)的综合信任度CT(u_j,u_i)：

(公式6)；

其中 $\mathrm{\&gamma;}(u_j,u_i)=\frac{\mathrm{\&alpha;}(u_j,u_i)}{\mathrm{\&alpha;}(u_j,u_i)+\mathrm{\&beta;}(u_j,u_i)},$

$\mathrm{\&beta;}(u_j,u_i)=\frac{\left|U_{trans}(u_j,u_i)\right|}{max\left\{\right|U_{trans}(u_j,u_x)\left|\right\}},(u_x\&Element;U,x\&NotEqual;j);$

步骤4：采用公式7计算复合推荐因子CF(u_j,u_i)：

$CF(u_j,u_i)=\left\{\begin{array}{cc}0,& \begin{array}{cc}if& CT(u_j,u_i)<0;\end{array}\\ \mathrm{\&lambda;}\&CenterDot;Sim(u_j,u_i)+(1-\mathrm{\&lambda;})\&CenterDot;CT(u_j,u_i),& else\end{array}\right.$ (公式7)；

其中λ为复合系数，而Sim(u_j,u_i)是用户u_j和u_i之间的相似度，采用公式8所示的修正余弦相似度进行计算：

$Sim(u_j,u_i)=\frac{\underset{{\mathrm{it}}_y\&Element;I\left(u_j\right)\&cap;I\left(u_i\right)}{\&Sigma;}(r_{(u_j,{\mathrm{it}}_y)}-\stackrel{\&OverBar;}{r_{\left({\mathrm{it}}_y\right)}})(r_{(u_i,{\mathrm{it}}_y)}-\stackrel{\&OverBar;}{r_{\left({\mathrm{it}}_y\right)}})}{\sqrt{\underset{{\mathrm{it}}_y\&Element;I\left(u_j\right)\&cap;I\left(u_i\right)}{\&Sigma;}{(r_{(u_j,{\mathrm{it}}_y)}-\stackrel{\&OverBar;}{r_{\left({\mathrm{it}}_y\right)}})}^2}\&CenterDot;\sqrt{\underset{{\mathrm{it}}_y\&Element;I\left(u_j\right)\&cap;I\left(u_i\right)}{\&Sigma;}{(r_{(u_i,{\mathrm{it}}_y)}-\stackrel{\&OverBar;}{r_{\left({\mathrm{it}}_y\right)}})}^2}}$ (公式8)；

其中为项目it_y的平均得分；

步骤5：令U_rely(u_j,K)表示按照复合推荐因子降序排列而得到的用户u_j的前K个邻居用户的集合：U_rank(it_y)表示对项目it_y有过评分行为的所有用户的集合；表示用户u_x所有评分的均分；采用公式9计算it_y对应于当前用户u_j的预测评分

$\hat{R}(u_j,{\mathrm{it}}_y)=\stackrel{\&OverBar;}{r_{\left(u_j\right)}}+\frac{\underset{u_x\&Element;U_{rely}(u_j,K)\&cap;U_{rank}\left({\mathrm{it}}_y\right)}{\&Sigma;}CF(u_j,u_x)\&CenterDot;(r_{(u_x,{\mathrm{it}}_y)}-\stackrel{\&OverBar;}{r_{\left(u_x\right)}})}{\underset{u_x\&Element;U_{rely}(u_j,K)\&cap;U_{rank}\left({\mathrm{it}}_y\right)}{\&Sigma;}\left|CF(u_j,u_x)\right|}$ (公式9)。

6.根据权利要求1或3所述的基于信任机制的协同过滤推荐方法，其特征在于，所述基于权威信任度的新用户推荐计算方法具体如下：假定项目集合I中的项目共分为c类，分别为类别项目集合I₁、I₂、…、I_c，则{I₁,I₂,…,I_c}构成集合I的一个划分，令U(I_g)表示对类别项目集合I_g中的项目进行过评分的所有用户的集合；

步骤1：采用公式10计算用户集合U中每一个用户u_i(1≤i≤n)对于各类别项目集I_g(1≤g≤c)的权威信任度AT(I_g,u_i)：

$AT(I_g,u_i)=\&lsqb;1-\frac{\underset{{\mathrm{it}}_y\&Element;I_g\&cap;I\left(u_i\right)}{\&Sigma;}\frac{\left|r_{(u_i,{\mathrm{it}}_y)}-\stackrel{\&OverBar;}{r_{\left({\mathrm{it}}_y\right)}}\right|}{\left(max\right\{r_{(u_x,{\mathrm{it}}_y)}\}-\stackrel{\&OverBar;}{r_{\left({\mathrm{it}}_y\right)}})}}{|I_g\&cap;I\left(u_i\right)|}\&rsqb;\&CenterDot;\frac{\left|I\left(u_i\right)\right|}{max\left\{\right|I\left(u_x\right)\left|\right\}},(u_x\&Element;U)$ (公式10)；

步骤2：为新用户u_j确定各类别项目集I_g(1≤g≤c)的K-最可信权威邻居集U_auth(I_g,K)，其中U_above(I_g)表示对于类别项目集I_g，其权威信任度超过该类别平均权威信任度的用户集合，则U_auth(I_g,K)满足如下条件：

①.

$\left(\right|U_{auth}(I_g,K)|=\min \{K,\left|U_{above}\right(I_g\left)\right|\left\}\right));$

②. $\&ForAll;u_y\left(\right(u_y\&Element;U_{above}\left(I_g\right))\&RightArrow;(AT\left(I_g,u_y\right)>{\mathrm{\&Sigma;}}_{u_x\&Element;U\left(I_g\right)}AT(I_g,u_x)/\left|U\left(I_g\right)\right|\left)\right);$

③.

步骤3：假定项目it_y属于类别项目集合I_g(即it_y∈I_g)，采用公式11计算项目it_y对u_j的预测评分：

$\hat{R}(u_j,{\mathrm{it}}_y)=\frac{\underset{u_x\&Element;U_{auth}(I_g,K)\&cap;U_{rank}\left({\mathrm{it}}_y\right)}{\&Sigma;}{r}_{(u_x,{\mathrm{it}}_y)}}{|U_{auth}(I_g,K)\&cap;U_{rank}\left({\mathrm{it}}_y\right)|}+\frac{\underset{u_x\&Element;U_{auth}(I_g,K)\&cap;U_{rank}\left({\mathrm{it}}_y\right)}{\&Sigma;}AT(I_g,u_x)\&CenterDot;(r_{(u_x,{\mathrm{it}}_y)}-\stackrel{\&OverBar;}{r_{\left(u_x\right)}})}{\underset{u_x\&Element;U_{auth}(I_g,K)\&cap;U_{rank}\left({\mathrm{it}}_y\right)}{\&Sigma;}\left|AT(I_g,u_x)\right|},({\mathrm{it}}_y\&Element;I_g)$

(公式11)。

7.根据权利要求1所述的基于信任机制的协同过滤推荐方法，其特征在于，对于待推荐项目集合I_rec，总共得到|I_rec|个预测评分；将这|I_rec|个预测评分进行从大到小降序排列，按照实际应用的需求，取预测评分排在最前面的top(1≤top≤m)个项目向当前用户u_j进行推荐。