CN111324807A - 基于信任度的协同过滤推荐方法 - Google Patents

Abstract

本发明公开了基于信任度的协同过滤推荐方法，期望在互联网信息井喷的大环境下，为用户推荐到他们最心仪的项目，节省用户的宝贵时间，提高信息获取效率。该算法特征在于：在传统的协同过滤算法基础上融合了属性特征(包括年龄因素，职业因素，性别因素)，兴趣度(用户所偏好的某一类项目)，信任度(用户对某一部分用户的推荐的满意度高低)等多种维度对用户的爱好进行建模，尽最大可能来缓解用户评分矩阵的冷启动，稀疏性问题，为用户做出最有价值，最合心意，最有惊喜的推荐。

Description

基于信任度的协同过滤推荐方法

技术领域

本发明涉及计算机推荐，具体涉及推荐***、协同过滤、相似度建模、信任度建模应用于所有需要推荐场景的计算机***。

背景技术

21世纪是一个信息***的时代，随着计算机技术的发展，海量的信息给信息查找造成了巨大的挑战，如何在庞大的信息数据海洋中找到自己需要的内容，使查找更加高效，才能让用户有更好的上网体验

基于以上的市场切实需求，推荐***应运而生，这是一种根据用户之前的行为信息发现新的需求的一种方法，目前在各电商中广泛使用的个性化推荐算法当属协同过滤推荐算法，但是用户的评分矩阵终究是一个稀疏矩阵，因此：新用户的冷启动问题，数据稀疏性和推荐准确性仍然需要持续研究改进。

发明内容

本发明的目的在于优化现有推荐算法的不足之处，为解决数据稀疏性，用户冷启动问题，以及提升推荐准确度提供一些方法。

本发明对相似性的贡献点如下：

结合属性特征。本发明涉及的属性特征包括年龄，职业，性别，这些特征标识了用户的生活状态。也影响着用户的喜好通过分析属性特征的相似性可以提高推荐准确性。

结合兴趣度。兴趣度是推荐***的核心推荐依据，好的兴趣度模型可大大的提高推荐准确性。

结合信任度。本文将信任度分为直接信任度和间接信任度，直接信任度可以提高推荐准确性，间接信任度可以填充评分矩阵，提高准确性的同时还能改善数据稀疏性。

表1基于m个用户n个项目的m*n的用户-评分矩阵R(m，n)

	I<sub>1</sub>	I<sub>2</sub>	…	I<sub>n</sub>
					U<sub>1</sub>	R<sub>11</sub>	R<sub>12</sub>	…	R<sub>1n</sub>
U<sub>2</sub>	R<sub>21</sub>	R<sub>22</sub>	…	R<sub>2n</sub>
					…	…	…	…	…
U<sub>m</sub>	R<sub>m1</sub>	R<sub>m2</sub>	…	R<sub>mn</sub>

本发明采用的技术方案为基于信任度的协同过滤推荐方法，该方法的实现过程如下：

1)用户属性特征相似性建模

用户属性特征相似性模型的用户属性综合性别、年龄、职业三者对用户的兴趣的影响，建立过程如下：

a)性别相似度建模

性别不同兴趣可能天差地别，例如女性喜欢化妆品，服装，首饰的兴趣显然高于男性，而男性普遍又更倾向于电子产品。假设用户u 的性别为S_u，用户v的性别为S_v，则用户u和用户v的性别相似度 S(u,v)如下所示：

b)年龄相似度建模

年龄不同爱好也会随之不同，因此引入年龄模型来优化相似度模型，设用户u的年龄为A_u，用户v的年龄为A_v则用户u和用户v的年龄相似度A(u,v)如下：

c)职业相似度建模

将职业按种类分类为一个树形结构如下图2，图2中任意两个节点的长度设为1，用Height表示总长度职业a和职业b最近的父节点在职业树中的层数称为它的高度，记H_a,b用户u和用户v的职业分别用职业a和职业b表示，则职业相似性O(u,v)表示如下：

综上，将性别，年龄，职业因素综合考虑得到用户的属性相似度 sim_a(u,v)如下：

sim_a(u,v)＝αS(u,v)+βA(u,v)+γO(u,v) (4)

其中α，β，γ根据具体***动态调参；

2)用户兴趣特征相似性建模；

上部分探讨的属性特征在冷启动情况下为提供了推荐方案，但是用户的评论足迹丰富后便可以对用户特有兴趣度进行建模，兴趣对于选择的影响异常重要，本方法所探讨的兴趣度是用户对某类项目的兴趣度，即将用户对某种项目的评价比重作为他对这类项目的兴趣度度量。设NI_u,i表示用户u对i类项目的评价总数，NI_u表示用户已评价的项目总数，那么用户u对i类项目的兴趣度I_u,i如下：

用式(5)得到用户u的兴趣度集合为I_u＝(I_u,1,I_u,2,...I_u,i)表示，其中 I_uv表示用户u和用户v共同评分的项目种类数，

用来标识用户u 对所有项目种类的平均兴趣度，根据皮尔逊相关相似度计算得到，两用户间的兴趣相似度sim_I(u,v)如下：

3)相似性计算：

用户相似度的计算依赖于用户-项目评分表，每个用户兴趣用一个评分向量表示，来与表1中的每一行相映射，所以用户相似度的计算本质上便是计算用户评分向量之间的距离。用户相似度的计算方法众多，选取约束皮尔逊相关相似度和jaccard相似度进行相关计算。

约束皮尔逊相关相似度：R_uv表示用户u和用户v的共同评分集合，R_u,i标识用户u对项目i的评分，R_v,i标识用户v对项目i的评分，

代表用户u所有评分的均值，

标识用户v所有评分的均值，则用户 u和用户v的评分相似度用皮尔逊相关相似性表示如下：

Jaccard相似度：余弦相似度和约束皮尔逊相关相似度是基于用户共同的评分项目来度量相似度的，在数据稀疏的情况下，这两种相似度计算方法都存在共同的问题，即当数据稀疏到用户u与用户v只有一个共同的评分项目，且两人都对这个项目评了相同的低分，此时说明用户u和用户v都不偏好于这个项目，但是余弦相似度与约束皮尔逊相关相似度却认为二者的相似度是最大值1，从而优先将这两个用户的喜好相互推荐。为了缓解这种情况引入Jarccard相似度，它的相似度计算方法是基于用户间共同评分的个数来衡量的，能够有效避免上述问题的发生。其计算公式如下所示：

式中|Iu_,v|表示用户u和用户v的共同评分的项目总数，|I_u|，|I_v|表示用户u，和用户v各自评价的项目数量，Jac_(u,v)的取值范围为[0，1]，值越大表明二者相关度越高。

4)用户信任度建模：

本方法将社交中的信任因素融合到协同过滤推荐算法中，对信任的定义为：目标用户对其他用户所提出的推荐意见的安全性，真诚性，有效性的肯定。用户a对用户b做的所有推荐项目n，若用户b接受说明对这笔推荐信任，不接受为不信任，用户b对用户a的信任度为接受的笔数与n的比值。

4.1)直接信任度计算

直接信任度是由用户主动地直接给出对其他用户的信任评分，但是此方案要求每个用户都要给出其他用户的信任评分，实际操作困难，故此本方法采用了基于用户共同评分项目的直接信任度计算，方法如下：

DTrust_u,v＝|sim(u,v)|×Jac_(u,v) (9)

4.2)间接信任度计算

用户之间的信任关系具有主观性、弱传递性、非对称性、动态性的特征。由于信任度具有传递性，缓解评分矩阵的稀疏性问题，两用户之间的直接信任度取决于二者是否拥有共同的评分项目，有共同评分的用户之间才存在直接信任度，但是生活中往往发现如果用户u信任用户i，用户i信任用户v那么用户u对用户v的往往存在信任关系，这就是信任的传递性，但是鉴于信任度的衰减很快，为提高准确度只取到二阶信任度，计算公式如下：

其中，PTrust_u,v表示用户u,用户v之间的间接信任度，adj(u,v) 表示满足条件DTrust_u,b≥λ,DTrust_b,v≥λ的中间用户的集合，λ参数是一个可调节的信用度阈值，表示只有直接信用度大于λ的中间用户才能被纳入间接信任度计算。

用户u和用户v之间的信任度表示为Trust_u,v,那么：

5)综上所述：

融合用户属性与用户兴趣度，以及评分相似度，信任度的综合相似度sim_z(u,v)用如下公式表示：δ，ε，μ，ρ可根据具体***对各因素的依赖程度不同动态调参

sim_z(u,v)＝δsim(u,v)+εsim_I(u,v)+μsim_a(u,v)+ρTrust_u,v (12)

6)产生推荐结果：

根据用户u,用户v的综合相似度sim_z(u,v)，

设用户v对项目i的评分为R_v,i，用户v对所有项目的评分均值为

P_u,i表示根据v的评分推测的用户u对项目i的评分，N_u为所有预测评分中评分最高的 top-N个集合，即为最终推荐的项目组合

7)对本方法的评价标准：

采用标准平均误差(MAE)作为评级标准来评价算法的推荐质量，在推荐算法的研究中MAE是公认的使用最广泛的评价指标，计算***对项目的预测评分与用户对项目的实际评分的平均绝对偏差， MAE值越小表示推荐***的推荐精度越高，计算公式如下：

其中：R_u,i表示用户u对项目i的实际评分，P_u,i为根据本方法得到的用户u对项目i的预测评分。

附图说明

图1为本方法实施的流程图。

图2为职业树图。

具体实施方式

以下结合附图和实施例对本发明进行详细说明。

基于信任度的协同过滤推荐方法，其特征在于：在传统的协同过滤算法基础上融合了属性特征，兴趣度，信任度等多种维度对用户的爱好进行建模，尽最大可能来缓解用户评分矩阵的冷启动，稀疏性问题，为用户做出最有价值，最合心意，最有惊喜的推荐。

在传统的协同过滤推荐算法的基础上融合了用户的属性相似度，将年龄，职业，性别这些可能影响用户抉择的属性融合进算法的推荐过程中

在传统的协同过滤算法的基础上结合了用户属性特征相似性，将用户对某一类项目的偏好充分考虑进算法中，

传统的协同过滤算法的基础上，用户信任度的建模采用直接信任度与间接信任度的两个维度的计算，缓解了用户评分矩阵稀疏性的问题

最终相似度的计算方式可根据不同的场景，动态调整不同影响因子的比重参数，最大限度的取得最满足用户需求的项目。

Claims (1)

1.基于信任度的协同过滤推荐方法，其特征在于：该方法的实现过程如下：

1)用户属性特征相似性建模

用户属性特征相似性模型的用户属性综合性别、年龄、职业三者对用户的兴趣的影响，建立过程如下：

a)性别相似度建模

假设用户u的性别为S_u，用户v的性别为S_v，则用户u和用户v的性别相似度S(u,v)如下所示：

b)年龄相似度建模

设用户u的年龄为A_u，用户v的年龄为A_v则用户u和用户v的年龄相似度A(u,v)如下：

c)职业相似度建模

将职业按种类分类为一个树形结构，任意两个节点的长度设为1，用Height表示总长度职业a和职业b最近的父节点在职业树中的层数称为它的高度，记H_a,b用户u和用户v的职业分别用职业a和职业b表示，则职业相似性O(u,v)表示如下：

综上，将性别，年龄，职业因素综合考虑得到用户的属性相似度sim_a(u,v)如下：

sim_a(u,v)＝αS(u,v)+βA(u,v)+γO(u,v) (4)

其中α，β，γ根据具体***动态调参；

2)用户兴趣特征相似性建模；

设NI_u,i表示用户u对i类项目的评价总数，NI_u表示用户已评价的项目总数，那么用户u对i类项目的兴趣度I_u,i如下：

用式(5)得到用户u的兴趣度集合为I_u＝(I_u,1,I_u,2,...I_u,i)表示，其中I_uv表示用户u和用户v共同评分的项目种类数，

用来标识用户u对所有项目种类的平均兴趣度，根据皮尔逊相关相似度计算得到，两用户间的兴趣相似度sim_I(u,v)如下：

3)相似性计算：

用户相似度的计算依赖于用户-项目评分表，每个用户兴趣用一个评分向量表示，来与表1中的每一行相映射，所以用户相似度的计算本质上便是计算用户评分向量之间的距离；用户相似度的计算方法众多，选取约束皮尔逊相关相似度和jaccard相似度进行相关计算；

约束皮尔逊相关相似度：R_uv表示用户u和用户v的共同评分集合，R_u,i标识用户u对项目i的评分，R_v,i标识用户v对项目i的评分，

代表用户u所有评分的均值，

标识用户v所有评分的均值，则用户u和用户v的评分相似度用皮尔逊相关相似性表示如下：

Jaccard相似度：计算公式如下所示：

式中|I_u,v|表示用户u和用户v的共同评分的项目总数，|I_u|，|I_v|表示用户u，和用户v各自评价的项目数量，Jac_(u,v)的取值范围为[0，1]，值越大表明二者相关度越高；

4)用户信任度建模：

将社交中的信任因素融合到协同过滤推荐算法中，用户a对用户b做的所有推荐项目n，若用户b接受说明对这笔推荐信任，不接受为不信任，用户b对用户a的信任度为接受的笔数与n的比值；

4.1)直接信任度计算

直接信任度是由用户主动地直接给出对其他用户的信任评分，但是此方案要求每个用户都要给出其他用户的信任评分，实际操作困难，故此本方法采用了基于用户共同评分项目的直接信任度计算，方法如下：

DTrust_u,v＝|sim(u,v)|×Jac_(u,v) (9)

4.2)间接信任度计算

两用户之间的直接信任度取决于二者是否拥有共同的评分项目，有共同评分的用户之间才存在直接信任度，如果用户u信任用户i，用户i信任用户v那么用户u对用户v的往往存在信任关系，这就是信任的传递性，只取到二阶信任度，计算公式如下：

DTrust_u,b≥λ,DTrust_b,v≥λ (10)

其中，PTrust_u,v表示用户u,用户v之间的间接信任度，adj(u,v)表示满足条件DTrust_u,b≥λ,DTrust_b,v≥λ的中间用户的集合，λ参数是一个可调节的信用度阈值，表示只有直接信用度大于λ的中间用户才能被纳入间接信任度计算；

用户u和用户v之间的信任度表示为Trust_u,v,那么：

5)综上所述：

融合用户属性与用户兴趣度，以及评分相似度，信任度的综合相似度sim_z(u,v)用如下公式表示：δ，ε，μ，ρ可根据具体***对各因素的依赖程度不同动态调参

sim_z(u,v)＝δsim(u,v)+εsim_I(u,v)+μsim_a(u,v)+ρTrust_u,v (12)

6)产生推荐结果：

根据用户u,用户v的综合相似度sim_z(u,v)，设用户v对项目i的评分为R_v,i，用户v对所有项目的评分均值为

P_u,i表示根据v的评分推测的用户u对项目i的评分，N_u为所有预测评分中评分最高的top-N个集合，即为最终推荐的项目组合

7)对本方法的评价标准：

采用标准平均误差MAE作为评级标准来评价算法的推荐质量，计算***对项目的预测评分与用户对项目的实际评分的平均绝对偏差，MAE值越小表示推荐***的推荐精度越高，计算公式如下：

其中：R_u,i表示用户u对项目i的实际评分，P_u,i为根据本方法得到的用户u对项目i的预测评分。

Images